dsh-vision-plugin：为 DeepSeek Harness 文本模型赋予视觉能力

前言¶

DeepSeek v4 系列模型目前仅支持文本输入。如果用户在对话中粘贴截图或照片，模型无法直接理解图像内容。dsh-vision-plugin 的作用是作为中间层：它将图像先发送给视觉模型（如 qwen3.7-plus, kimi-k3 等），将图像转录为文本，再将文本传递给主模型进行回答。这能让文本模型“看”到图片，并进行自然的交互。

身份信息¶

名称：dsh-vision-plugin
核心价值：为 DeepSeek Harness 的文本模型提供视觉分析能力。
所有者：Xin-Zhang-IceMan
分类：模型推理
许可证：MIT License

安装¶

安装该插件会将它注册到当前的 DSH 配置中，随 DSH 启动自动加载。

dsh plugin --profile web add dsh-vision-plugin

配置¶

在图片能被处理之前，需要在配置文件中声明当前模型支持图像输入。配置文件位于 ~/.dsh/settings.yaml，修改后支持热重载，无需重启。

以下示例声明 deepseek-v4-flash 和 deepseek-v4-pro 可以接收图片：

llm-pi-ai:
  providers:
    opencode-go:
      apiKeyEnv: OPENCODE_GO_API_KEY
      modelOverrides:
        deepseek-v4-flash:
          input: [text, image]
        deepseek-v4-pro:
          input: [text, image]

对于 DSH v0.1.0-rc.8+ 版本，内置的 deepseek-official 路由支持原生 Vision，模型需在 llm-deepseek 配置下声明 inputModalities，插件会自动识别。

核心功能¶

粘贴图片并提问：直接将图片粘贴到聊天窗口，切换到任意文本模型，即可询问图片内容。
vision_analyze 工具：模型可以通过调用工具直接分析本地图片文件，支持传入可选的问题和指定的视觉模型。
设置页面：DSH 设置面板中新增“Vision Model”页面，用于管理默认的视觉模型，支持中英双语切换。

典型用法¶

场景一：对话中分析图片¶

在对话窗口中粘贴一张图片（例如 Clash Verge 的 Logo），切换到 deepseek-v4 等文本模型，输入问题“这是什么？”。插件会自动调用视觉模型转录图片内容，主模型根据转录结果进行回答。

场景二：工具调用分析¶

在对话中要求模型分析表格或代码截图，模型会自动调用 vision_analyze 工具。该工具接受本地图片路径、可选的提问以及可选的视觉模型覆盖参数。

注意事项¶

版本依赖：插件与 dsh v0.1.0-rc.8 及以上版本兼容，支持原生 Vision 路由。
配置生效：如果切换到未在 settings.yaml 中声明图像能力的模型，粘贴图片可能会被拒绝。请确保所有可能使用的文本模型都已声明 input: [text, image]。
状态持久化：设置页面中的视觉模型选择保存在浏览器的 localStorage 中，重启 DSH 后会自动恢复。
语言跟随：设置页面的 UI 语言会跟随 DSH 的全局语言设置（中文或英文）。

生态链接¶

GitHub 仓库：https://github.com/Xin-Zhang-IceMan/dsh-vision-plugin
插件目录：https://www.skillhub.cn/plugins/Xin-Zhang-IceMan/dsh-vision-plugin