前言¶
在 DeepSeek Harness（DSH）里让模型「看图推理」，常见做法是依赖预览图或多次调用之间隐式换算坐标。预览尺寸与附件原图不一致时，模型读到的位置很难和后续工具参数对齐，数人、比对两处相似区域这类任务容易在几轮之后才暴露标错或重复标注。
下面介绍社区插件 dsh-vision-reasoner（维护者 LionNatsu，SkillHub 分类为联网工具）。它在会话里提供一套相机与标注工具：位置一律用原图像素命名，返回图带可读坐标网格，并维护带编号的标注记录，便于模型先看再标、再校正。
这是什么¶
dsh-vision-reasoner 是 DSH 插件，把一张图变成「带编号标注记录 + 坐标标注的局部/对比视图」的工作流载体。README 写明：标注画在图上、模型能直接看到自己画了什么；位置从图上的网格读数得到，不从预览换算，也不用前一次调用的表述来定义下一次调用。用途不限定画面类型——例如统计照片中人数，或核对笔记指的是哪一块相似区域。
包版本为 0.1.1（MIT 许可证），发布在 npm，仓库：https://github.com/LionNatsu/dsh-vision-reasoner。目录页：https://www.skillhub.cn/plugins/LionNatsu/dsh-vision-reasoner。SkillHub 为社区插件目录，与 DeepSeek / 幻方无官方从属关系。
核心功能¶
工具集¶
插件向模型暴露以下工具（名称与用途以 README 为准）：
| 工具 | 作用 |
|---|---|
camera_reset |
相机对准整图：一个方窗容纳全图，图外为黑，并返回当前视图。 |
camera_move |
step: "next" 按阅读顺序扫下一窗，"previous" 后退；方向键移动一整窗；to: [x, y] 以网格读出的坐标为中心。 |
camera_zoom_in / camera_zoom_out |
以中心 ×2 或 ÷2 缩放，可用 times 连续多步；相机停在操作结束位置。 |
mark_add |
在原图坐标 at: [x, y] 加标注，半径 r、说明文字与颜色；相机会移到该批标注并返回周围方窗。 |
mark_remove |
按编号删除标注，如 [3, 7]。 |
mark_edit |
按编号移动、改大小、改说明或改颜色，一次调用完成。 |
每次返回的图都带有网格：线在原图的「整」像素位置（如 100、200、500，随缩放变密），四边标同一套原图坐标。结果文本还会列出完整标注记录（每个标注的坐标），便于发现重复或标错。工具本身不对画面内容做计数或判断，结论由模型陈述。
附带 Skill¶
包内发布 skill vision-sweep-count，对应 README 描述的主流程：先看全图，再按窗扫视、边读边标、读返回窗、最后依据记录计数。模型在任务匹配时会读取 skill；README 强调，「在推理里指向图上位置」并不是模型默认会进入的模式，因此 skill 在这里有明确作用。
网格与相机行为（摘要）¶
- 网格步长取 10、20、50、100、200、500 等，使标签在视图上大约相隔 100 像素，宽景与近景都可读，且数字始终表示原图坐标。
- 相机表示「镜头在哪」，不是一次性动作；
zoom、move改变朝向，reset回到全图；每次结果说明当前位置。 - 默认绘制已有标注；需要空白画布重新数时可设
marks: false。 - 结果会统计自上次
reset以来相机停过的窗数、当前窗与尚未扫到的窗，避免调用方自己记扫视进度。
安装与启用¶
官方安装方式（README）：
dsh plugin --profile <name> add dsh-vision-reasoner
或在 Web UI：Plugins → Add plugin，填写包名 dsh-vision-reasoner。
包声明 dsh.bundle.patch → ./cordis.patch.yml（一条 Host 行），profile 下次加载时由 loader 应用。无构建步骤、无 install 脚本。
运行环境要求 Node ^22.19.0 || >=24.0.0。唯一依赖为 sharp（Apache-2.0）；Harness 在会话附件处理中已普遍使用 sharp（@deepseek-ai/dsh-attachment-local 亦依赖它），一般无需额外装第三方图库。插件以当前 dsh 进程权限运行；安装前请自行查看仓库源码与 MIT 许可证。
典型用法¶
README 给出的使用顺序可概括为以下步骤。
- 先看再指。 位置必须来自已看到的返回图；网格是唯一标尺，不要用别的工具裁切后再读坐标，也不要从另一套像素尺寸的视图估位置。
- 读网格标签。 线在原图整像素处，读特征前一条线再估间距；粗估约四分之一格是常用精度，因此放大后网格会更密。
- 用坐标标注。 调用
mark_add，at: [x, y]与半径r均为原图像素；相机移到标注处，返回带十字中心与旁侧记录的方窗。 - 按窗扫视。 用
camera_zoom_in放大到能辨认细节，再用camera_move且step: "next"：窗从中心起向左再向右、再向下铺排；每次结果说明扫视进度与剩余窗，已在某窗读过的位置可与上一窗对照。 - 核对与修正。 各视图都画标注，未标区域即未处理；记录里可见重复编号或空环。近似的用
mark_edit，错的用mark_remove；改完会回到所触区域附近的窗，错误圆环会影响之后每一窗。
行为与存储注意¶
- 标注记录不写盘。 标注存在于会话日志；Harness 记录每次工具调用及结果，记录由相同纯函数从事件折叠重建。重开会话可恢复同一记录。
- 每张返回图写两处。 模型通过附件服务收到图像块；Web UI 预览需要文件，PNG 还会写到
<cwd>/.dsh-vision/<name>.png，并在images[].path中以工作区相对路径报告——这是插件唯一会写的目录，且仅在需要展示图时写入。 - 读图经
ctx.fs，由沙箱决定可读范围。 - 无附件服务、或模型未声明图像输入（
read_image的门禁）时，返回文本加说明而非图像块；查不到图等「未知」情况 README 说明仍会尽量附带，以免因查找失败 withholding 图像。
结尾¶
dsh-vision-reasoner 把「看图 → 原图坐标标注 → 分窗扫视与校对」收进 DSH 工具与 vision-sweep-count skill，适合需要在会话里对图片做可核对、可修正的空间推理的场景。进一步细节见仓库 README 与 docs/DESIGN.md。
