dsh-pdf：DeepSeek Harness PDF 读取插件

DeepSeek Harness (DSH) 插件体系允许通过扩展来增强 AI 助手的能力。在文档处理场景中，读取 PDF 是常见需求，但通常面临文件大小限制（如 64KB）以及对扫描件或图片页无法直接读取的问题。dsh-pdf 插件通过 pdfjs-dist 提取完整 Unicode 文本层，并对扫描件/图片页自动 OCR，解决了这些痛点。

插件介绍¶

该插件由 henryxiao709 维护，旨在让 AI 助手读取任意大小的 PDF 文件。它通过 pdfjs-dist 提取完整的 Unicode 文本层，支持中文、英文及其他脚本；同时针对扫描件或图片页，提供自动 OCR 回退机制。插件采用 MIT 许可证。

核心能力¶

分页读取：支持通过 pages 参数指定读取范围，如 "1-3"、"2"、"1,3-5" 或 "all"。
无文件大小限制：默认单文件上限为 200MB，突破了常见的 64KB 限制。
完整 Unicode 文本层：利用 pdfjs-dist 提取文本，支持多语言。
自动 OCR 回退：在 auto 模式下，页面文字层字符数少于阈值时，会自动进行 OCR 处理。
模式控制：提供 text（仅文本层，速度快）、ocr（强制 OCR）、auto（自动判断）三种模式。
OCR 引擎选择：支持 Windows WinRT OCR（零安装，需特定语言包）或 tesseract.js。

安装与启用¶

安装过程需要操作文件系统和 Node.js 环境。执行以下命令完成克隆和依赖安装，随后通过命令注入到运行中的 DSH 实例中。

克隆仓库：

    git clone https://github.com/henryxiao709/dsh-pdf.git
    cd dsh-pdf

安装依赖：

    npm install --ignore-scripts

注入运行实例：在 DSH 的 Agent 中执行以下命令，将本地路径注入：

    dev_install_package <绝对路径到 dsh-pdf>

或者，将插件添加到 `dsh.profile.bundles` 中，使其随 DSH 启动时自动加载。

使用方法¶

插件注册了 read_pdf 工具，支持通过参数控制读取范围和模式。

工具签名：

read_pdf file_path=... [pages="1-3"] [mode=auto|text|ocr] [ocrEngine=auto|windows|tesseract] [maxCharsPerPage=20000]

返回示例：

{
  "path": ".../test.pdf",
  "totalPages": 7,
  "mode": "auto",
  "pages": [
    { "number": 1, "text": "test… [OCR] test…", "source": "mixed", "chars": 163 },
    { "number": 2, "text": "1 test）…", "source": "text", "chars": 876 }
  ],
  "engines": ["windows: ok", "tesseract: unavailable (no traineddata)"],
  "warnings": []
}

每页返回 source 字段，标识数据来源：text（仅文本层）、ocr（仅 OCR）或 mixed（混合）。

系统要求与注意事项¶

运行环境：需要运行中的 DeepSeek Harness 实例和 Node.js >= 20。
Windows OCR 限制：若使用 Windows OCR 引擎，系统需安装 zh-Hans-CN 和 en-US 语言包。
依赖锁定：依赖的 @deepseek-ai/* 版本已锁定，无需手动链接。
配置调整：通过 Settings → Plugins → dsh-pdf 可实时调整配置项（如 maxFileBytes、maxCharsPerPage 等）。
许可证：MIT 许可证。

dsh-pdf 解决了 DSH 生态中 PDF 读取的文件大小限制和扫描件识别问题，适合需要在本地处理大量文档或非文本 PDF 的开发者。更多细节可参考 GitHub 仓库。