dsh-vision-plugin：爲 DeepSeek Harness 文本模型賦予視覺能力

前言¶

DeepSeek v4 系列模型目前僅支持文本輸入。如果用戶在對話中粘貼截圖或照片，模型無法直接理解圖像內容。dsh-vision-plugin 的作用是作爲中間層：它將圖像先發送給視覺模型（如 qwen3.7-plus, kimi-k3 等），將圖像轉錄爲文本，再將文本傳遞給主模型進行回答。這能讓文本模型“看”到圖片，並進行自然的交互。

身份信息¶

名稱：dsh-vision-plugin
核心價值：爲 DeepSeek Harness 的文本模型提供視覺分析能力。
所有者：Xin-Zhang-IceMan
分類：模型推理
許可證：MIT License

安裝¶

安裝該插件會將它註冊到當前的 DSH 配置中，隨 DSH 啓動自動加載。

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

配置¶

在圖片能被處理之前，需要在配置文件中聲明當前模型支持圖像輸入。配置文件位於 ~/.dsh/settings.yaml，修改後支持熱重載，無需重啓。

以下示例聲明 deepseek-v4-flash 和 deepseek-v4-pro 可以接收圖片：

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

對於 DSH v0.1.0-rc.8+ 版本，內置的 deepseek-official 路由支持原生 Vision，模型需在 llm-deepseek 配置下聲明 inputModalities，插件會自動識別。

核心功能¶

粘貼圖片並提問：直接將圖片粘貼到聊天窗口，切換到任意文本模型，即可詢問圖片內容。
vision_analyze 工具：模型可以通過調用工具直接分析本地圖片文件，支持傳入可選的問題和指定的視覺模型。
設置頁面：DSH 設置面板中新增“Vision Model”頁面，用於管理默認的視覺模型，支持中英雙語切換。

典型用法¶

場景一：對話中分析圖片¶

在對話窗口中粘貼一張圖片（例如 Clash Verge 的 Logo），切換到 deepseek-v4 等文本模型，輸入問題“這是什麼？”。插件會自動調用視覺模型轉錄圖片內容，主模型根據轉錄結果進行回答。

場景二：工具調用分析¶

在對話中要求模型分析表格或代碼截圖，模型會自動調用 vision_analyze 工具。該工具接受本地圖片路徑、可選的提問以及可選的視覺模型覆蓋參數。

注意事項¶

版本依賴：插件與 dsh v0.1.0-rc.8 及以上版本兼容，支持原生 Vision 路由。
配置生效：如果切換到未在 settings.yaml 中聲明圖像能力的模型，粘貼圖片可能會被拒絕。請確保所有可能使用的文本模型都已聲明 input: [text, image]。
狀態持久化：設置頁面中的視覺模型選擇保存在瀏覽器的 localStorage 中，重啓 DSH 後會自動恢復。
語言跟隨：設置頁面的 UI 語言會跟隨 DSH 的全局語言設置（中文或英文）。

生態鏈接¶

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