前言¶
DeepSeek Harness（DSH）采用插件化架构，旨在通过模块化扩展系统能力。纯文本模型（如 DeepSeek）无法直接处理图像输入。dsh-omni-vision 是一个由 Renji004 维护的插件，它为纯文本模型提供了“本地眼睛”，允许 Agent 通过渲染、OCR 和像素分析来间接感知视觉内容。整个过程全程本地，不依赖云端视觉模型。
核心功能¶
插件提供四个核心工具，分别对应画、贴、读、看四个动作。
eyes_render¶
在 Web GUI 中渲染画布，支持文字、线条、矩形、圆形、椭圆。渲染结果会生成 PNG 文件，保存到工作区的 renders/ 目录（读取后自动删除，即“读完即焚”）以及 pics/ 目录（永久保留）。
eyes_paste¶
允许用户通过剪贴板粘贴图片或直接拖拽图片到浏览器界面。图片被捕获并保存为 PNG 到 renders/ 目录，供后续处理，不生成永久副本。
eyes_ocr¶
利用 Windows 自带的 OCR 引擎（Windows.Media.Ocr）将 PNG 图片中的文字识别并读回为文本。这是让纯文本模型“看见文字”的主要途径。
eyes_analyze¶
将 PNG 解码为像素数据，支持设置 N×N 的采样网格。返回颜色网格、主色直方图及内容包围盒，让模型“看见”图形和颜色分布。
安装与启用¶
在 DSH 的工作区目录下执行以下命令安装插件：
cd <你的工作区>
dsh plugin --profile web add link:<你的工作区>\dsh-omni-vision
安装后需要重启 Web 服务才能生效。
典型用法¶
以下是该插件在 DSH 工作流中的典型应用场景：
- OCR 识别：使用
eyes_paste让用户粘贴一张截图，然后使用eyes_ocr读出里面的文字并复述。 - 画图识别：使用
eyes_render画一张 800x400 的画布，写上文字 “Hello 世界 123”，设置ocr:true，然后复述看到的文字。 - 流程图分析：使用
eyes_render画一张 Mermaid 流程图（如graph TD...），设置ocr:true，读取节点文字。 - 文字复述：使用
eyes_ocr读取<workspace>\renders\eyes-xxx.png，逐行复述识别出的文字。 - 像素分析：使用
eyes_analyze分析<workspace>\renders\eyes-xxx.png，设置网格为 12，描述画面布局和主要颜色。
限制与注意事项¶
在使用前需注意以下几点限制：
- 平台限制：仅支持 Windows。
eyes_ocr依赖 Windows 自带 OCR 引擎，其他平台无法提供“读字”能力。 - GUI 依赖：需要浏览器 GUI 打开。
eyes_render普通渲染等待约 15 秒，Mermaid 首次渲染约 45 秒，eyes_paste等待粘贴约 60 秒。GUI 未开时工具会报错。 - Mermaid 加载：Mermaid 图表依赖按需加载。首次渲染时浏览器会从 CDN 获取 Mermaid 库，成功后缓存。本地未安装 Mermaid 也能使用，但首次需联网。
- OCR 效果：识别效果依赖 Windows 语言包。对中英混排识别效果一般。
- 文件格式：
eyes_analyze仅支持 8-bit RGB/RGBA 非交错 PNG。 - 服务依赖：需要
attachments服务。 - 原生发图：DSH 输入框原生支持图片粘贴，但发图需要切换到支持图片的模型（如
dsh-vision-router）。dsh-omni-vision提供的是本地离线读图路径，不受流控限制。
参考资料¶
- 插件目录：https://www.skillhub.cn/plugins/Renji004/dsh-omni-vision
- 源码仓库：https://github.com/Renji004/dsh-omni-vision
