前言¶

DeepSeek Harness (DSH) 的引擎依据模型声明的 inputModalities 对输入进行路由。纯文本模型（不含 image）在消息准入阶段会被拒绝，或者收到的图片字节会被投影为文本占位符，导致无法真正处理图片。

dsh-vision-tool 是一个由 YJLTF 维护的插件，旨在解决这一问题。它通过放宽准入、注册工具和注入指导，将图片理解能力委托给用户配置的一个多模态模型，再把结果交还给主模型。同时，插件具备智能退避机制，当主模型原生支持图片时，会自动停止干预，保持原生体验。

核心功能¶

放宽图片准入：包装 llm.resolveModelInfo 服务，让纯文本模型接收带图消息，但引擎仍按适配器真实元数据处理字节投影。
工具集成：
- understand_image：自动检查会话中最近的一张图（典型贴图场景），或读取指定路径的文件。
- list_conversation_images：列出会话中出现的全部图片供挑选。
智能退避：按模型能力退避，原生支持图片的模型不受任何影响。
指导注入：自动在系统提示中注入识图指导，引导主模型结合上下文具体提问。
配置即改即生效：支持 Web 端官方风格的配置卡片，修改配置无需重启会话。
零运行时依赖：产物约 18 kB，仅依赖宿主提供的 dsh 包与 schemastery。

在目标 dsh 环境中执行以下命令安装：

dsh plugin --profile <profile> add github:YJLTF/dsh-vision-tool

注意：Git 安装会拉取源码并触发构建。若使用 pnpm ≥ 10，首次安装可能会失败，需在 profile 的 pnpm-workspace.yaml 中放行构建授权：

allowBuilds:
  dsh-vision-tool: true

安全提示：放行构建即允许该包代码在安装期于本地执行，请仅对可信的包放行，建议钉住 commit 版本。

插件依赖宿主环境配置，需指定视觉模型并提供方。

最小可用配置：

visionProvider: zai-coding-cn
visionModel: glm-5.3-flash

配置项说明：

前置条件：所选的视觉模型必须在 DSH 的模型配置中声明图片输入能力，否则引擎会投影掉图片字节，导致视觉模型无法识图：

models:
  - id: <vision-model>
    input: [text, image]   # 必须声明 image

配置完成后，直接在会话中贴图提问即可。

贴图提问：用户发送一张图片并附带具体问题（例如“这张图里的代码有什么问题？”）。
工具调用：纯文本主模型收到图片占位符后，根据系统提示中的指导，自主调用 understand_image 工具（不带 path 时默认检查最近一张图）。
结果返回：视觉模型对图片进行分析并返回文本结果，主模型基于此结果继续推理。

环境要求：需要 DSH 0.2.0-rc.2 环境（peer 范围 ^0.2.0-rc.1，@deepseek-ai/cordis ^4.0.1）。
安全风险：Git 安装时需放行 pnpm 构建，这等同于允许该包在本地执行代码。
流式中止：工具执行的流式调用支持随请求中止，取消即中断。
零依赖：构建产物自包含，天然适合离线分发。