前言¶
DeepSeek Harness（DSH）的插件生态遵循「一切皆插件」的理念。在使用纯文本模型（如 DeepSeek）时，模型若需要识图，通常会尝试调用 read_image 工具。但在纯文本路由下，后端不支持图片输入，read_image 会因参数不匹配而报错。
dsh-ocr-vision 解决了这个问题。它新增了一个模型侧的 ocr_image 工具，利用本地 RapidOCR 引擎将图片中的文字提取为纯文本返回，从而让纯文本模型也能「看图」。
核心功能¶
该插件提供以下能力：
* 新增模型侧 ocr_image 工具。
* 通过本地 RapidOCR 进行文字提取。
* 将提取结果转换为纯文本返回。
* 支持通过 ctx.fs 读取图片。
* 支持区域裁剪。
安装与启用¶
插件支持从 GitHub 直接安装，也支持本地构建安装。
方式一：直接安装¶
使用 DSH 的 plugin 命令从 GitHub 仓库直接安装：
dsh plugin --profile headless add github:QEDQCD/dsh-ocr-vision
安装后，dsh 将自动挂载 ocr_image 工具。
方式二：本地构建安装¶
- 克隆仓库到本地。
- 安装依赖并构建：
pnpm install && pnpm build
- 安装到指定 profile：
node scripts/install.mjs --profile headless
系统要求¶
在使用前，需确保宿主机满足以下条件：
* 操作系统：Linux 或 macOS（Windows 未测试）。
* Python 版本：3.7+。
* Python 依赖：rapidocr-onnxruntime、pillow、numpy。
* DeepSeek Harness：已安装 dsh CLI 并配置了 profile。
验证¶
安装完成后，可以通过以下方式验证：
* 检查配置：dsh --profile headless --dump-config | grep ocr-vision。
* 测试 OCR 脚本：python3 ocr.py <某图片路径>。
使用方法¶
模型侧可以直接调用 ocr_image 工具。
基础调用：
ocr_image(file_path: "截图.png")
区域裁剪调用：
ocr_image(file_path: "截图.png", region: "120,80,600,400")
工具返回的纯文本格式如下：
<path>/workspace/截图.png</path>
<type>ocr</type>
<content>
报错码:ERR_DB_CONN_TIMEOUT
关键行:Connection refused -> db.internal:5432 / retry 3/3 failed
</content>
配置项¶
插件支持通过 cordis 配置调整行为：
| 字段 | 默认值 | 含义 |
|---|---|---|
pythonBin |
python3 |
运行 OCR 脚本的 Python 解释器路径 |
ocrScript |
随包 ocr.py |
OCR 脚本路径 |
ocrCommand |
空 | 完整命令前缀，用于覆盖默认解释器与脚本组合 |
scale |
2 |
图片放大倍数（默认放大以提升小字识别率） |
maxImageBytes |
50 MiB |
经 ctx.fs 读取的最大图片字节 |
timeoutMs |
60000 |
单次 OCR 子进程超时时间（毫秒） |
限制与说明¶
- 依赖要求：需要宿主机安装 Python 及 RapidOCR 依赖，否则
ocr_image会报错。 - 不支持 PDF：仅支持光栅图片格式（如 PNG、JPEG 等），不支持 PDF 输入。
- 不拦截 read_image：插件仅新增
ocr_image工具，不拦截或改写read_image。如果模型在纯文本路由下调用read_image，仍会收到工具拒绝的反馈。 - 隐私安全：图片通过
ctx.fs读取，仅在本地进行 OCR 处理，提取的文本返回给模型，图片字节不会上传至 API。
结语¶
dsh-ocr-vision 为 DeepSeek Harness 中的纯文本模型提供了本地化、隐私友好的图像文字识别能力。它不改变模型处理图片的方式，而是通过工具桥接将视觉信息转化为文本信息。
- 仓库地址：https://github.com/QEDQCD/dsh-ocr-vision
- 插件目录：https://www.skillhub.cn/plugins/QEDQCD/dsh-ocr-vision
