DeepSeek Harness 視覺橋接插件：analyze-image-tool

前言¶

DeepSeek Harness (DSH) 的文本模型（如 deepseek-v4-flash）無法直接處理圖像。要實現視覺能力，通常需要接入多模態模型或對宿主進行補丁修改。analyze-image-tool 插件通過註冊 analyze_image 工具，爲文本模型提供了一個“視覺橋接”層，使其能夠通過任何 OpenAI 兼容的視覺/多模態端點回答關於圖像的問題。

插件簡介¶

這是一個通用的視覺接口插件，由 CaseyTso 維護。它不綁定特定廠商，允許用戶配置 baseURL、apiKey 和 model，從而連接 SiliconFlow、DashScope、Ollama 等任意支持 OpenAI 格式的端點。

核心功能¶

通用端點支持：支持任何 OpenAI 兼容的端點，無需修改插件代碼即可切換模型服務商。
沙盒安全讀取：本地圖片優先通過宿主沙箱的 fs 通道讀取，支持 HTTP/HTTPS 和 Data URL。
Schema 安全：使用 defineTool 編譯參數，符合標準 JSON Schema，避免因 Schema 根節點非對象導致的會話 400 錯誤。
魯棒性設計：自動清理錯誤信息中的 API Key，自動剝離大模型思考過程中的 reasoning 塊。
結構化返回：返回包含文本、模型名稱和 Token 使用情況的完整結構。
共存性：工具名稱 analyze_image 不會與社區工具（如 view_image）衝突。
WebUI 設置面板：提供可視化的配置入口，支持多配置預設保存、連接性測試。

安裝與啓用¶

安裝前請確保環境滿足要求：DeepSeek Harness (dsh) 版本爲 0.1.x，Node.js 版本 ≥ 18.17。

使用以下命令安裝插件（從 main 分支安裝，包含運行時粘貼圖片橋接）：

dsh plugin --profile web add github:CaseyTso/dsh-analyze-image-tool#main
dsh --profile web

插件會自動作爲 profile layer 安裝，無需手動編輯 cordis.patch.yml。

配置說明¶

推薦使用 WebUI 面板進行配置。在 Web 會話頭部右上角點擊眼睛圖標，或進入系統設置中的插件配置卡片進行編輯。

主要配置項包括：
* baseURL: 目標端點地址（如 SiliconFlow 或本地 Ollama）。
* apiKey: API 密鑰，留空則按鏈路讀取。
* model: 使用的多模態模型 ID。
* maxImageBytes: 允許上傳的圖片最大字節數，默認 10MB。
* defaultQuestion: 未指定 prompt 時的默認描述請求。

配置示例（cordis.patch.yml）：

- id: analyze-image-tool
  config:
    baseURL: https://api.siliconflow.cn/v1
    apiKey: ***
    model: Qwen/Qwen3-VL-32B-Instruct
    maxTokens: 2048
    timeoutMs: 60000
    maxImageBytes: 10485760
    defaultQuestion: 描述這張圖片的細節，包括可見文字和佈局。

使用示例¶

模型調用工具時，傳入圖片路徑或附件 ID：

模型: 看下 ~/Desktop/error.png 是什麼報錯
模型 → analyze_image(path="~/Desktop/error.png", prompt="這個報錯的完整文本是什麼？")
     ← "TypeError: Cannot read properties of undefined (reading 'map') at …"
模型: 這是一個 … 建議 …

對於文本模型，插件會自動處理粘貼圖片的邏輯，將其轉換爲 analyze_image(attachment_id="...") 調用。

注意事項¶

版本差異：v0.1.0 標籤版本僅支持本地路徑和 URL，不包含粘貼圖片橋接功能。當前安裝 #main 分支包含該功能。
粘貼圖片限制：粘貼圖片的附件引用索引僅在當前進程內有效。服務器重啓後，歷史會話中無法讀取回舊的附件 ID，需重新粘貼圖片。
權限與安全：插件以當前 DSH 進程權限運行，調用端點時會產生 API 請求和 Token 消耗，請根據實際情況配置密鑰和超時時間。

結語¶

analyze-image-tool 通過標準化的工具接口和靈活的端點配置，解決了 DSH 文本模型接入視覺能力的通用問題，適合需要在不修改宿主代碼的情況下擴展多模態能力的場景。更多細節可參考插件目錄和GitHub 倉庫。