Duhai Vision：DeepSeek Harness 的通用视觉模型适配器

DSH 采用“一切皆插件”的理念。在处理长文档、表格或复杂版面时，我们需要明确的视觉处理路线和可审计性。duhai-vision 是一个通用视觉模型适配器，支持 Codex 和 DSH，旨在提供可替换且不影响视觉质量的视觉处理能力。

核心定位¶

功能：通用视觉模型适配器。
支持对象：Codex 和 DeepSeek Harness。
底层模型：默认优先 PaddleOCR-VL，Qwen 作为后备或显式选择。
维护者：hamliy-feng。
许可证：MIT。

安装与配置¶

在使用前，需要安装运行依赖并配置访问凭证。

1. 安装依赖¶

安装 PaddleOCR-VL 运行依赖：

python -m pip install "paddleocr>=3.4,<4"

2. 配置 Paddle Access Token¶

配置 Paddle Access Token：

$env:PADDLEOCR_ACCESS_TOKEN = "<你的 Access Token>"
[Environment]::SetEnvironmentVariable(
  "PADDLEOCR_ACCESS_TOKEN",
  "<你的 Access Token>",
  "User"
)

3. 安装插件¶

将插件安装到 DSH Web profile：

dsh plugin --profile web add github:hamliy-feng/duhai-vision
dsh web

Linux 与 macOS 用户使用对应命令：

python3 -m pip install "paddleocr>=3.4,<4"
export PADDLEOCR_ACCESS_TOKEN="<你的 Access Token>"
dsh plugin --profile web add github:hamliy-feng/duhai-vision
dsh web

安装后，DSH 会获得 Duhai Vision · deepseek-v4-flash 模型路由，可以直接在对话框粘贴或上传图片。

功能特性¶

结构化输出：返回结构化 JSON、正文、版面、表格、公式等。
可审计性：提供模型、页数、耗时和 Token 数据，避免未知值记为 0。
默认优先：auto 对所有支持的视觉任务均先使用 PaddleOCR-VL。
后备机制：Qwen 仅在显式选择或 PaddleOCR-VL 失败时启用。

工作流程¶

图片处理：对话框图片会先保存到 ~/.dsh/duhai-vision/attachments/ 的内容哈希路径。
结构化提取：由 PaddleOCR-VL 提取结构化观察。
模型推理：最后交给 DeepSeek 完成推理与回答。
纯文本请求：纯文字请求直接透传到 DeepSeek。

注意事项¶

免费额度：每位用户、每个模型当前有 3000 页免费额度（以官方规则为准）。
隐私安全：远程服务会接收图片，敏感材料应先脱敏，或不要走远程路线。