视觉工具箱Anionex/dsh-vision-toolkit

DSH Vision Toolkit

由 dshfind 推荐
dshfind 评分：94——最高分插件
npm

MIT
DSH

更强大的视觉工具箱——给 DeepSeek Harness 里的纯文本模型装上眼睛：图片问答、长图 OCR、前端 UI 还原、GUI 视觉任务，一套视觉工具箱和一个 Skill。

🚀 粘贴图片，直接提问 ｜ 一行命令安装即用 ｜ 场景丰富

亮点 ｜ 快速开始 ｜ 工具一览 ｜ 配置与限制 ｜ 常见问题 ｜ 交流群

🌐 English ｜ 中文

🏆 本项目为deepseek harness生态首个综合性视觉工具插件：内测前已立项，并在内测期间参考本人的agent-vision-toolkit做出。

原创声明： 这套视觉工具的体系和划分方式，以及 vision-skills Skill，均由作者个人原创并持续打磨，相关工具、方法和工作流来自长期的真实使用与反复迭代。

如果这个项目对你有帮助，或给了你一些灵感，欢迎 Star 🌟 & Fork。

亮点

- 粘贴图片，直接提问。 在 DSH Web 里粘贴图片，文本模型会自动切换到看图模式变体，不需要手动复制路径或更换模型。图片保留原生缩略图、会话记录和工作区路径；Web 可以预览产物。
- 一行命令安装即用。 安装插件后即可在 设置 → 视觉工具 中配置视觉模型并开始使用。
- 不只是看图描述，是获取图中真正需要关注的内容。 模型不只是生成通用描述，而是围绕“报错在哪里”“按钮在哪”等当前任务提取证据。
- 一套经过实战验证的视觉任务方法论：项目提供的skill，会告诉 agent 面对不同视觉任务时应该看什么、选择哪个工具、按什么步骤推进，以及最后如何验证结果。

agent-vision-toolkit 的视觉能力不只停留在图片描述：Agent 可以读取、定位、裁剪、描摹、还原和验证视觉内容。DSH Vision Toolkit 是这套工具箱面向 DeepSeek Harness 的原生接入，让它进入 Web 和 Headless Profile。

本项目提供两层能力：

1. 视觉工具和 Skill：让 Agent 知道什么时候该看图、定位、OCR、裁剪、描摹或做像素对比。
2. DSH 原生接入：把这些能力放进 Profile、会话、Settings、Artifacts 和 Web 界面。

dsh plugin --profile web add @anionex/dsh-vision-toolkit

上游工具箱： Anionex/agent-vision-toolkit · 项目网站： agent-vision.anionex.me

❤️ 赞助

想赞助本项目？详见 FUNDING.md 或发送邮件到 davidyang042@gmail.com。

点击折叠

感谢 AIHubMix 赞助本项目！AIHubMix 是稳定、高并发的 AI 大模型 API 聚合平台，一个 API Key 即可接入 Claude、GPT、Gemini、DeepSeek 等主流模型，兼容多种协议，并提供免费模型选择。注册时，海外用户请使用 AIHubMix 入口，中国大陆用户请使用 Inferera 入口。

感谢 E-API 赞助本项目！E-API 聚合主流 AI 模型，兼容 OpenAI、Anthropic 与 Codex 接口；部分 Claude 模型相比官方价最高优惠约 98%，DeepSeek V4 系列优惠约 25%。

目录

- 亮点
- 最近更新
- 适合谁用
- 实际效果
- 快速开始：三步完成
- 工具一览
- 配置与限制
- 常见问题
- 赞赏
- 开发与社区

最近更新

- 2026-08-20 · AIHubMix 申请教程： 新增通过 Inferera 入口申请 API Key 并配置 Gemini 3.7 Flash 视觉模型的图文教程，并在视觉工具设置中直接提供入口。
- 2026-08-19 · 透明变体路由默认开启： 模型选择器默认只显示每个模型一项并保留原模型名，粘贴图片、历史图片和内置 read_image 工具都能直接使用，不再需要手动切换到 (Vision Toolkit) 变体；如需恢复显式条目，可在 设置 → 高级设置 → 图片输入 关闭“透明变体路由”。
- 2026-08-16 · Windows Python： 支持 Microsoft Store Python，解决 Windows 用户首次创建隔离环境失败的问题。
- 2026-08-17 · 视觉升级： 默认模型切换到 Gemini 3.7 Flash，并修复 Qwen/Gemini 检测框坐标顺序错位的问题。
- 2026-08-16 · 图片粘贴： 文本模型自动切换到 (Vision Toolkit) 变体并保留工作区路径，解决粘贴图片被拦截或后续无法复用的问题。
- 2026-08-16 · 服务稳定性： 扩大服务容量，减少高峰期出现 429 的情况。
- 2026-08-16 · 真实模型测试： Settings 新增完整图片请求测试，解决 /models 可访问却不能证明模型真的会看图的问题。

适合谁用

1. 想获得类似多模态模型一样的交互体验：直接粘贴图片，提出要求或疑问
2. 不只是看图问答，想要完成更复杂、更有价值的视觉任务，例如草图变前端页面，图片转html，提取长截图里的聊天信息等等；后续也会不断补充更多的场景。

随附的 vision-skills Skill 携带完整的上游 playbook，说明每个工作流何时使用、按什么顺序调用工具，以及如何验证结果：

| 手册 | Agent 学会做什么 |
| --- | --- |
| 读取长截图、聊天记录和滚动页面 | 找到低内容切割带、按顺序 OCR 每个分块、保留聊天发言人/时间戳/引用、只合并重复的重叠部分，并标出有风险的边界供验证 |
| 根据截图或设计重建 UI | 优先复用项目组件和素材，再用代码原生 UI、提取的视觉素材、渲染截图和视觉对比来对齐页面或组件 |
| 还原图标、Logo、插画或其他图形 | 从源图像提取透明 PNG，或按需重建可编辑/可缩放 SVG，然后验证形状、颜色和 alpha 边缘 |
| 把草图、示意图或白板转成结构化代码 | 把节点、标签、连接和方向恢复为可编辑的 Mermaid、Graphviz 或其他结构化表示 |
| 通过截图操作 GUI | 定位控件、执行一个动作、再次截图，并先验证结果状态再继续 |

实际效果

在 DSH 里直接粘贴图片提问

用户粘贴一张图片，纯文本模型自动切换到对应的 Vision Toolkit 变体，并围绕用户的问题读取画面。

从截图到可编辑页面

提示词示例：“（使用vision-skills），把这张图片还原成html”

左：参考截图；右：用 HTML/CSS 还原出的可编辑结果。视觉结果可以继续进入截图和像素对比流程，而不是停在“描述图片”。

从手绘稿到可用界面

左：手绘参考；右：根据参考还原的可用界面。

提示词示例：“（使用vision-skills），把这张草稿图做成可用的前端页面”

快速 UI 还原：先出一版近似稿

提示词示例：“（使用vision-skills），把这张图片 快速 还原成html”

左：原始页面；右：保留主要布局、内容和视觉层级的快速还原稿，允许颜色和图标库近似。快速模式的目标是约三分钟内产出首版截图。

快速开始：三步完成

1. 安装

dsh plugin --profile web add @anionex/dsh-vision-toolkit

Headless Profile 也可以安装：

dsh plugin --profile headless add @anionex/dsh-vision-toolkit

使用 DSH Desktop 桌面版？桌面版自带 dsh 命令行，但有意不写入系统 PATH，请不要在系统终端里执行上面的命令。请从托盘打开 DSH 终端（Open DSH Terminal），在桌面版自己的终端中安装到 Desktop Profile：

dsh plugin --profile desktop add @anionex/dsh-vision-toolkit

安装完成后重启 DSH Desktop。DSH Desktop 2.0.1 内置插件市场的“一键安装”存在已知问题，修复前请优先使用上面的终端命令安装。

完整的桌面版安装、更新与排查步骤见 DSH Desktop 安装与更新指南。

2. 重启并确认

重启正在运行的 Web Profile，打开 设置 → 视觉工具，配置视觉模型，然后运行测试视觉模型确认连接。

首次启动会自动准备隔离运行环境：插件优先使用系统已有的 Python 3.11+；如果系统没有，会自动从国内镜像（dsh-vision-python-bootstrap-1317715800.cos.ap-guangzhou.myqcloud.com）下载一个带完整性校验的托管 Python（约 35MB，仅首次需要网络），镜像不可用时自动回退到 GitHub 官方发布源。锁定依赖（Pillow、NumPy、vtracer）会优先从腾讯云 PyPI 镜像（mirrors.cloud.tencent.com/pypi/simple）安装，镜像不可用时回退到官方 PyPI。普通安装不需要下载 agent-vision-toolkit 源码，也不需要设置本地路径。

3. 粘贴图片，直接说你要做什么

在会话中粘贴截图，或把图片放进会话工作区，然后调用 /vision-skills。例如：

看看这张截图，告诉我报错原因和最值得先修的地方。
找到右上角的登录按钮，返回原图像素坐标并生成带框预览图。
把这个图标裁出来并转成 SVG。
按照 reference.png 还原页面，每轮截图后做像素对比，直到主要差异消失。

工具一览

插件提供 10 个可以单独调用、也可以组合使用的视觉工具：

| 工具 | 最适合解决的问题 | 主要结果 |
| --- | --- | --- |
| vision_glance | “这张图里发生了什么？” | 针对性回答、描述、OCR、多图比较 |
| vision_ground | “我要找的东西在哪？” | 原图像素坐标、可选带框预览 |
| vision_detect | “图里有哪些按钮/图标/元素？” | 编号元素清单、坐标、可选预览 |
| vision_crop | “把这块区域单独取出来” | PNG 或 JPEG 裁剪图 |
| vision_trace | “把这个图形变成可编辑矢量” | SVG |
| vision_pixel_diff | “实现和参考图到底差在哪？” | 差异比例、重点区域、热力图、JSON |
| vision_long_screenshot_ocr | “读完这张很长的截图” | Markdown、分块图、清单和审计结果 |
| vision_extract_foreground | “把主体抠出来” | 透明 PNG |
| vision_dominant_colors | “这块区域用了哪些主要颜色？” | 主色板或候选色排序 |
| vision_html_screenshot | “按精确视口渲染本地页面，或一次捕获整页” | PNG 和可选的 CSS pageHeight |

坐标始终使用原图像素格式 x1,y1,x2,y2，因此定位结果可以直接交给裁剪、描摹或后续自动化。

对于长 HTML 文档，传入 fullPage=true。请求的宽高仍作为布局视口，生成的 PNG 会覆盖完整文档，并以 CSS 像素返回 pageHeight。

工作原理

插件把远程图片理解和可重复的本地图片处理放进同一套 Agent 工作流。下面的流程图展示了具体的职责边界。

让描述始终围绕当前任务

多数文本模型视觉桥接的做法是让多模态模型生成一段通用描述，再把描述交给文本模型，这等于多了一层必然有损的语义转换。Vision Toolkit 反过来恢复 Agent 为什么想看这张图：把用户消息或模型给出的调用原因作为 focus hint（聚焦提示）传给视觉模型，得到的是围绕当前步骤的重点描述——更少 token、更准确、响应更快。

架构与图片输入行为

flowchart LR
Image["截图或本地 HTML"] --> Skill["vision-skills Skill"]
Skill --> Agent["文本 Agent 选择任务"]
Agent --> Vision["需要理解图片时调用视觉模型"]
Agent --> Local["裁剪、SVG、像素等任务在本地处理"]
Vision --> Result["回答、OCR、坐标"]
Local --> Artifact["PNG、SVG、热力图、JSON"]
Result --> Session["继续推理和行动"]
Artifact --> Session

视觉能力来自打包的固定版本 agent-vision-toolkit。DSH 插件负责安装、会话级工具暴露、Credential、路径校验、取消、超时、结果文件和 Web 展示。运行时不会在后台拉取上游 main。

vision-skills Skill（上游原名 vision-tools）现在以上游 SKILL.md 和全部 5 篇上游 SOP 为明确底稿：
只适配工具名、结构化参数、Artifact 交付、渐进式暴露，以及 DSH 的路径和生命周期边界；
上游的工具选择规则、由粗到细方法和任务流程保持不变。精确的上游 Skill commit、
源文件哈希、适配后哈希和可审查补丁分别记录在 assets/skill/UPSTREAM.json 与
patches/vision-tools-dsh.patch。

对于明确标记为纯文本的模型，插件会注册  (Vision Toolkit) 变体。默认情况下，在 DSH Web 粘贴图片时会自动切换到该变体，并把图片路径与带当前任务重点的视觉描述一起交给模型。

配置与限制

配置视觉模型

在 设置 → 视觉工具 中配置视觉模型提供方，并把 API Key 保存为 DSH Credential。Settings 只保存 Credential 引用，不会回显密钥。

AIHubMix 图文教程： 申请 AIHubMix API Key 并配置 Gemini 3.7 Flash 识图。教程包含账号与 API Key 获取截图、Vision Toolkit 的准确配置、模型选择和常见问题排查。

也可以在 Profile patch 中配置：

- id: vision-toolkit
config:
provider:
baseUrl: https://api.example.com/v1
credential: MY_VISION_KEY
model: your-vision-model
protocol: openai

支持 OpenAI Chat Completions 兼容端点和 Anthropic Messages。Web Settings 页面还可以调整超时、图片限制、并发、运行时和图片输入变体。

高级设置中的 默认保存目录 可以把产物、粘贴图片和缓存放到 /tmp/dsh-vision-toolkit 等 POSIX 绝对共享根目录下；插件会为当前用户和工作区创建权限为 0700 的私有子目录。留空时继续使用工作区内原有的 .dsh-vision-toolkit 目录。Windows 目前会拒绝配置共享根目录，因为插件尚不能安全校验其所有权和访问控制列表。

配置的保存目录变更后，插件会把之前验证过的根目录保留为只读输入位置。Web Profile 会把这段历史保存在插件自有的 vision_toolkit_storage storage-domain sidecar 中；即使当前 Settings 提供方只读，Profile 重启后原有粘贴图片路径仍可继续使用。使用配置共享存储的自定义 Profile 应组合 @deepseek-ai/dsh-storage-domain。

如果受信任的内部端点使用自签证书或 MITM 代理，可在启动 DSH 进程时设置 VISION_SSL_VERIFY=0。插件会把该值传入隔离的 Python 运行环境；未设置或使用其他值时仍默认校验证书。还支持大小写不敏感的假值 false、off、no、none 和 disabled。

配置 Python 运行时

大多数用户无需配置 Python 运行时：插件会优先使用系统 Python 3.11+，找不到时自动从国内镜像下载固定版本的托管 Python；国内镜像不可用时回退到 GitHub 官方发布源。

需要覆盖 runtime.python、使用 runtime.mode: external、验证运行时，或允许读取其他目录时，请参阅 Python 运行时配置。

常见问题

| 问题 | 处理方式 |
| --- | --- |
| 视觉模型测试失败：Vision API returned an incompatible response structure | 通常是 API 地址少了路径前缀。LM Studio、Ollama 等本地 OpenAI 兼容服务需填写 http://127.0.0.1:1234/v1（带 /v1），插件会在其后拼接 /chat/completions；只填端口号会命中服务的未知端点并返回该错误 |
| 粘贴图片后仍提示模型不支持图片 | 重启 Web Profile 并刷新页面，确认当前模型已切换到带 (Vision Toolkit) 的变体；也可以把图片先放进会话工作区，再调用 /vision-skills |
| 视觉服务提示 429 | 按错误中的 Retry-After 等待后重试；如果需要稳定高额度，切换到自己的视觉端点 |
| 图片过大或像素超限 | 先裁剪或缩放图片；错误会明确显示是字节还是像素限制 |
| 自定义 Credential 缺失 | 在 设置 → 视觉工具 填写 API Key，并确认 Credential 名称与配置一致 |
| 首次运行时准备失败 | 自动下载托管 Python 需要网络和磁盘权限（默认先走国内镜像，失败时回退 GitHub）；失败时检查网络或包缓存，也可以安装 Python 3.11+ 或在 Settings 中配置 runtime.python，然后重新测试 |
| 找不到 Chrome | 安装 Chrome、Chromium 或 Edge；只有 HTML 截图不可用，其他工具不受影响 |
| DSH Desktop 提示找不到 dsh 命令，或内置插件市场安装失败 | 从托盘打开 DSH 终端，运行 dsh plugin --profile desktop add @anionex/dsh-vision-toolkit，再重启 DSH Desktop。桌面版 2.0.1 的内置市场存在已知安装问题，当前请优先使用终端安装 |
| 产物无法预览 | 使用“打开文件”或结果中的工作区路径；预览 URL 只在 Web 路由可用时存在 |

FAQ

接入视觉模型会显著增加成本吗？

不会。每次检查只把必要的意图和图片发给多模态模型，调用之间不会累积上下文，因此额外成本很小。想进一步降低成本，可以用本地部署的小型多模态侧模型（例如 Gemma 4 或 Qwen 3.5/3.6 系列）提供视觉能力。

赞赏

如果本项目对你有价值，欢迎请开发者喝杯咖啡☕️

开发与社区

- 贡献前请阅读 CONTRIBUTING.md。
- Bug、功能建议和使用问题请提交到 GitHub Issues；渠道说明见 SUPPORT.md。
- 安全漏洞请按 SECURITY.md 私下报告。
- 版本变化见 CHANGELOG.md，赞助说明见 FUNDING.md。
- 通用视觉工具、跨 Agent 接入和视觉任务方法论请访问上游 agent-vision-toolkit。

我是 anionex，一位 AI 原生开发者，曾位列 GitHub 全球开发者趋势榜第 3 名，项目累计超过 16k stars。想了解我后续的工作，欢迎在 GitHub 关注我。

agent-vision-toolkit 由 Anionex 创建。本仓库维护它面向 DeepSeek Harness 的原生集成。

许可证

插件采用 MIT License。打包的上游快照保留其原始 MIT 许可证，见 vendor/agent-vision-toolkit/LICENSE。