dsh-image-vision：纯文本模型接入视觉能力

前言¶

DeepSeek Harness (DSH) 的核心设计理念是“一切皆插件”。在开发智能体时，主模型往往通过纯文本路由（例如通过 pi-ai 路由的 DeepSeek V4 Flash）运行，这导致模型无法直接处理图片输入。现有的社区方案通常需要替换官方适配器，这种方式侵入性强且容易破坏插件生态的稳定性。dsh-image-vision 插件通过包装 llm.resolveModelInfo 并监听官方 agent/pre-step 瀑布流，在不触碰任何主机代码或核心文件的前提下，让纯文本主模型具备图片理解能力。

核心功能¶

通用图片输入：支持在对话中粘贴或拖拽图片。即使主模型声明仅支持文本，图片也会被传递给视觉模型进行描述，最终以文本形式返回给主模型。
飞书/Lark 文档支持：解析飞书/Lark 文档中的 <image token>，自动下载图片并描述，结果注入到工具输出中。
语义理解而非 OCR：不仅识别文字，还能描述场景、人物、表格和图表的语义。
本地描述工具：提供 describe_image 模型工具，可直接描述本地图片路径。

安装与启用¶

使用 dsh plugin 管理器安装插件：

npx @deepseek-ai/dsh plugin --profile web add github:VeryInt/dsh-image-vision

安装完成后，重启 DeepSeek Harness。插件将在 Settings → Plugins 中出现。

配置说明¶

该插件依赖配置视觉模型提供者。在 settings.yaml 中添加支持图片输入的模型配置，并声明 input: [text, image]。

llm-pi-ai:
  providers:
    modelscope:
      displayName: ModelScope
      apiKeyEnv: MODELSCOPE_API_KEY
      api: openai-completions
      baseURL: https://api-inference.modelscope.cn/v1
      models:
        - id: Qwen/Qwen3-VL-8B-Instruct
          name: Qwen3-VL-8B
          input: [ text, image ]

同时，在插件配置（cordis.patch.yml）中指定视觉模型路由。若两者均留空，插件将自动扫描 settings.yaml 中首个声明 input: [text, image] 的模型。

使用示例¶

粘贴图片：在聊天框粘贴图片，模型将输出 [图片内容] ...。
飞书文档：使用飞书工具读取文档后，模型可描述其中的图片内容。
本地文件：调用 describe_image 工具，传入本地文件路径获取描述。

注意事项¶

环境要求：需要 DeepSeek Harness 0.1.0-rc.6 及以上版本，以及 Node.js >= 22.19。
模型后缀：必须使用带有 VL 后缀的视觉模型（如 Qwen/Qwen3-VL-8B），纯文本模型即使配置了图片输入也无法生效。
生态差异：与需要替换官方适配器的社区方案不同，此插件不破坏官方插件生态，适用于任何纯文本路由。
权限限制：插件以当前 DSH 进程权限运行，安装前请检查源码与许可证。

总结¶

dsh-image-vision 是一个轻量级的 DSH 插件，它通过包装现有的 llm 服务接口，为纯文本模型提供了无缝的图片理解能力。它不修改主机代码，不替换官方适配器，非常适合需要在不破坏现有架构的情况下接入视觉能力的开发者。