前言¶

用 DeepSeek Harness（DSH）搭智能體時，推理交給 DeepSeek 的文本模型沒有問題，但很多任務需要“看”：從截圖裏讀報錯文字、比較兩版界面的佈局差異、從設計稿裏取主色。常見做法是把圖片手動丟給另一個多模態服務，再把結果搬回會話，鏈路斷在中間。

dsh-vision-suite 解決的就是這個問題。它在保留官方 deepseek-official 文本路由的同時，把圖片理解、OCR、截圖裁剪、像素比較、主色提取和安全網頁截圖接進了 Harness。文本推理仍然由 DeepSeek 負責，只有調用遠程視覺工具時，插件纔會把用戶選定的圖片發送給已配置的 OpenAI-compatible 視覺模型。

這是什麼¶

dsh-vision-suite 由 princefrogdida-ux 維護，許可證爲 MIT，插件包名爲 dsh-vision-workbench（GitHub 倉庫名爲 dsh-vision-suite），當前版本 0.7.1，面向 Windows。DSH 的理念是“一切皆插件”，這個插件就是給文本爲主的工作流補上視覺這一環。

運行環境要求 Node ^22.19.0 || >=24.0.0。本地像素處理、OCR 和瀏覽器能力分別依賴 sharp、tesseract.js 和 playwright-core，三者均爲可選依賴，按需加載——不用本地工具就不會引入這些開銷。

核心功能¶

六個視覺工具¶

可以看到分工：需要模型理解內容的走視覺 Provider，純像素操作（裁剪、比較、取色）和網頁截圖都在本機完成，圖片不必離開機器。

其他基礎能力¶

• 支持 PNG、JPEG 和 WebP。
• 圖片附件使用持久 ID，工具結果可隨會話保存和回放。
• 支持一個主視覺 Provider 和最多三個順序後備 Provider，失敗時執行有限回退，並通過冷卻機制避免持續請求故障端點。
• 支持圖片數量、文件大小、像素數、工作像素、超時和緩存限制。
• API Key 通過 Harness Credentials 保存，不寫入插件配置、日誌或頁面響應。
• 可爲插件請求單獨配置 HTTP/HTTPS 代理（proxyUrl，默認爲空），不修改全局網絡設置。

安裝與啓用¶

本文整理資料時，README 與 package.json 中均未包含可直接引用的一行安裝命令，這裏不自行拼接，具體安裝方式請以 GitHub 倉庫的 README 爲準。

安裝後插件默認保持關閉（enabled 默認 false），不會自動接管模型路由，也不會自動發送圖片。啓用走 Harness 原生配置頁面：

1. 啓動安裝了本插件的 Web Profile。
2. 打開“設置 → 插件 → 插件配置”。
3. 點擊 Vision Workbench 展開全部配置項。
4. 填寫文本模型、視覺 Provider 和 API Key。
5. 打開“啓用插件”，保存配置。
6. 重啓當前 Profile，使路由和工具配置生效。

關於 API Key 的輸入框：頁面刷新後不會回顯密鑰，只會顯示對應憑據是否已經配置；密碼框爲空時會保留已保存的密鑰，不需要重複粘貼。

最小可用配置¶

第一次使用只需要以下幾項：

保存並重啓 Profile 後，在模型選擇器中選擇：

DeepSeek + Vision Workbench / <配置的 DeepSeek 模型>

隨後上傳圖片並直接提問，例如“識別這張截圖中的文字”或“比較這兩張圖片的佈局差異”。

配置遠程視覺服務¶

任何兼容 OpenAI /chat/completions 且支持 image_url 圖片輸入的服務都可以接入。README 給出了幾個常用服務的入口：

配置時按三步走：

1. 把服務商的 API 地址填入 visionProvider.baseURL。
2. 從服務商官網複製一個支持圖片輸入的模型 ID，填入 visionProvider.model。
3. 爲該服務設置獨立的 credentialRef，例如 OPENAI_VISION_KEY 或 OPENROUTER_VISION_KEY，真實 Key 粘貼到對應 Provider 卡片的密碼框。

注意三點：同一個服務商可能同時提供純文本模型和視覺模型，選模型前必須確認它支持 image_url 輸入及 /chat/completions 接口；baseURL 中不能嵌入用戶名、密碼或 API Key；正常使用必須是 HTTPS，只有 allowInsecureLocalhost 顯式開啓時才允許連接本機迴環地址上的 HTTP 測試服務。

本地 OCR¶

vision_ocr 默認走遠程視覺 Provider，只有明確選擇 backend="local" 時才進入本地 Tesseract。本地 OCR 默認關閉（localOcr.enabled 默認 false），且需要自行準備可信來源的語言數據文件——插件不會自動下載語言包、訪問 CDN、寫入 Tesseract 緩存，本地識別失敗後也不會自動切換到遠程 Provider。

Windows 配置示例：

localOcr:
  enabled: true
  languagePath: 'D:\vision-data\tesseract'
  languages: [eng, chi_sim]
  gzip: true
  timeoutMs: 60000
  maxLanguageBytes: 52428800
  maxRegions: 50
  pageSegMode: auto
  autoRotate: true
  lowConfidenceThreshold: 40

languagePath 指向的目錄中應存在 eng.traineddata.gz、chi_sim.traineddata.gz 等與配置一致的文件。默認啓用 gzip、自動處理方向，低置信度提示閾值爲 40。

網頁截圖¶

vision_browser_capture 默認關閉（browserCapture.enabled 默認 false）。開啓後必須填寫精確的主機白名單，插件使用獨立的無頭瀏覽器（browserCapture.browserChannel 默認 msedge，可選用 chrome）只截取白名單內的頁面。

Provider 回退與限制¶

除了主 Provider（visionProvider），最多可以配置三個後備 Provider（fallbackProviders）。插件按列表順序逐個嘗試，不會併發把圖片發給多個端點；主備 Provider 之間不能重名。

回退行爲由三個參數控制：

總超時 timeoutMs（默認 120000）應大於 attemptTimeoutMs，否則可能沒有足夠時間嘗試後備 Provider。

圖片與緩存方面的默認限制：單次調用最多 4 張圖片，單張最大 10485760 字節（10 MiB）、40000000 像素；視覺結果緩存默認開啓，200 條，TTL 3600 秒；本地處理最大工作像素 16000000；視覺模型最大輸出 maxTokens 默認 4096。這些都有對應配置項，可按需調整。

另外，vision_compare 要求兩張截圖尺寸完全相同，插件不會自動縮放或對齊圖片，以免掩蓋真實佈局變化。

適用場景與注意¶

這個插件適合在 Windows 上使用 DSH、需要處理截圖和圖片的智能體開發者：比如讓智能體讀界面截圖裏的文字、對比兩版 UI 的變化區域、從圖片裏取色，或者把白名單網頁截圖作爲會話證據。前提是你手上有一個兼容 OpenAI image_url 格式的視覺服務 API Key，或者願意自行準備 Tesseract 語言文件做本地 OCR。

使用前有幾點需要清楚：

1. 插件以當前 dsh 進程的權限運行，本地工具能讀寫你的工作區圖片、調用本機瀏覽器。安裝前建議檢查倉庫源碼與許可證（MIT），確認符合自己的安全要求。
2. 插件默認關閉，不會在你不知情時接管路由或發送圖片；圖片只會在調用遠程視覺工具時發送給你自己配置的端點。
3. 遠程視覺服務必須 HTTPS、baseURL 不夾帶密鑰、網頁截圖走精確白名單，這三條是插件內置的邊界，配置時不要繞開。

小結¶

dsh-vision-suite 做的事情很聚焦：不替換 DeepSeek 的文本推理，只在需要“看”的時候補上六個工具，並把憑據、回退、限制這些工程細節都做成了顯式配置。如果你在 DSH 上經常和截圖打交道，值得裝上試一次。

• 插件目錄頁：https://www.skillhub.cn/plugins/princefrogdida-ux/dsh-vision-suite
• GitHub 倉庫：https://github.com/princefrogdida-ux/dsh-vision-suite