前言¶
在 DeepSeek Harness（DSH）里跑智能体时，主模型往往是纯文本路由：能读文件、能调工具，但 GUI 里贴一张截图或让模型「看一眼」本地图片，适配器会直接拒绝多模态输入。另一条路是单独配视觉大模型的 API Key 或账号，成本和配置都会多一层。
下面介绍社区插件 dsh-deepseek-account-vision（包名 @caesarloo/dsh-deepseek-account-vision）：识图走你已登录的 DeepSeek 账号上的 DeepSeek-V4.1-Flash（模型 id deepseek-flash，1017 版），不需要额外 API Key，也不依赖独立 VLM 账号或图像处理库。它不把主模型变成多模态模型，而是把图片先转成文字，再交给原模型处理。
这是什么¶
维护者 caesarloo，在 DSH 社区目录中归类为模型推理。插件通过 Cordis patch 注册两类能力：
- 面向模型的工具
deepseek_vision（名称可配置）。 - 为每个已注册 provider 增加一条「自动识图」路由（默认 id 为
<provider>-vision）。
识图请求经 DSH 的 deepseek-account 路由发出，凭据由 DSH 账号服务管理，插件不保存登录信息。
核心功能¶
deepseek_vision 工具¶
任意主模型在会话里可调用该工具。入参支持：
- 本地路径：
image_path，格式限 PNG / JPEG / WebP / GIF。 - 远程地址：
image_url（http或https）。 - 可选
prompt：原样传给视觉模型；省略则使用内置的全量转译提示。
返回字段包括 text、model、source、truncated。图片内容不会进入主模型上下文，只有转译后的文本会进入后续对话。
自动转译路由¶
在模型选择器里选用显示名为 「{原路由名} + 自动识图」 的条目（id 形如 <provider>-vision），照常附加图片即可。流程是：路由声明支持图片输入 → 每张图由 DeepSeek-V4.1-Flash 转写 → 原文本模型收到纯文本请求并正常作答。转译结果前缀默认为 [图片转译]；失败且 failureMode 为 placeholder（默认）时，会插入 [图片转译失败: …] 标记，会话可继续。
性能与边界行为¶
- 按图片内容哈希做进程内缓存（默认 200 条，可设为 0 关闭）。
- 合并并发相同图片的请求；失败图片冷却 60 秒；单图识别默认超时 120000 ms，URL 下载默认 30000 ms。
- 纯文本对话不经插件改写；已有原生识图能力的主模型无需为「看图」专门依赖本插件。
与内置 read_image 的分工：read_image 把图片块交给支持图像的模型；deepseek_vision 返回文本，供任意文本模型使用。
安装与启用¶
要求：DSH >= 0.2.1-rc.2（package 中 Node >= 22.19.0）、DSH 内已登录 DeepSeek 账号，以及 bundle 自带的 llm、attachments、fs 服务。
官方安装命令：
dsh plugin --profile <profile> add @caesarloo/dsh-deepseek-account-vision
若从本地检出目录安装，将包名换成项目目录路径即可。bundle 层安装后需重启 DSH 一次（bundle 层不支持热重载）；开发期可用 patch 层 insert 指向插件入口，改代码可热加载。
在新会话的工具列表中确认出现 deepseek_vision，即表示工具已注册。
配置默认值在插件自带的 cordis.patch.yml；可在 profile 的 cordis.patch.yml 里用 - id: dsh-deepseek-account-vision 覆盖，例如 visionProvider、visionModel、autoTranscribe、failureMode 等（完整键表见 GitHub README）。
典型用法¶
场景一：主模型通过工具读图
模型调用工具，传入本地截图路径与可选提示：
{
"image_path": "screenshot.png",
"prompt": "逐字识别所有可见文字，并说明版式"
}
远程图片可只传 URL：
{ "image_url": "https://example.com/chart.png" }
场景二：纯文本主模型在 GUI 里贴图
在模型列表选择对应 provider 的「+ 自动识图」路由，附加图片后发送。主模型收到的已是带 [图片转译] 前缀的文本描述。
| 情况 | 建议 |
|---|---|
| 任意模型，图在文件或 URL | deepseek_vision 工具 |
| 纯文本模型，GUI 附图 | <provider>-vision 路由 |
| 主模型已支持图片输入 | 该轮可不装/不用本插件 |
适用场景与注意¶
适合：已在 DSH 登录 DeepSeek 账号、希望复用账号侧 Flash 识图、又不想给每个文本 agent 单独配 VLM 的场景。密集截图、极小字号 UI 的转译可能漏细节，需要更高准确度时可调整 visionModel 或自定义 recognitionPrompt / transcribePrompt。
限制摘要：
- 不接受 PDF、音频、视频。
- 识别时图片会随请求发往 DeepSeek（插件不在磁盘持久化图片）；缓存仅在进程内存。
- 插件以当前 dsh 进程权限运行，安装前请自行查看源码与 MIT 许可证，确认符合你的安全与合规要求。
DSH 生态强调「一切皆插件」；SkillHub 目录页 为社区站点，与 DeepSeek / 幻方无官方从属关系。
结尾¶
dsh-deepseek-account-vision 用账号路由上的 DeepSeek-V4.1-Flash 做 OCR 与版面描述，通过工具或自动路由把识图能力接到任意主模型，无需额外 API Key。详情与配置表见 GitHub 仓库，安装使用上述 dsh plugin --profile <profile> add @caesarloo/dsh-deepseek-account-vision 即可。
