Argonaut790/dsh-deepseek-vision

DSH DeepSeek Vision

CI
License: MIT

DSH DeepSeek Vision 是一个开源的 DeepSeek Harness (DSH) 视觉插件，
它为纯文本的 DeepSeek 模型添加了图像理解、全屏 OCR 和持久化视觉证据功能，
而无需替换父模型。

与 provider-pool 或 CLI 拦截工具不同，此插件让 DeepSeek
Harness 继续掌管模型、附件、会话和 UI。它添加了：

- see_image，支持 latest、all 和显式图像选择
- 一个会话作用域的视觉分析师，具备后续追问记忆
- 结构化摘要、问题回答、详尽 OCR 和不确定性说明
- 一个只读的 Evidence 标签页和每次调用的证据卡片
- 位于 Choose Model 旁边的全局 Vision: … provider/model 选择器
- 实时路由变更；更改路由会启动新的分析师

截图

启用视觉的 DeepSeek Harness 编辑器

DeepSeek Harness 编辑器使用 Grok Latest 作为视觉模型，DeepSeek V4 Pro High 作为父模型

父 DeepSeek 模型保持控制权，而独立的 Vision 路由
负责图像理解和 OCR。

紧凑的视觉模型选择器

紧凑的 DSH Vision 模型选择器位于 DeepSeek 父模型选择器旁边

全局选择器使当前激活的图像能力模型可见，并让用户
无需更改对话模型即可更改视觉分析路由。

对话中的证据卡片

DeepSeek Harness 对话中带有证据卡片的视觉分析回复

每次 see_image 调用都会渲染一张证据卡片，包含结构化摘要、
问题回答和任何不确定性说明，因此分析结果在
对话中始终可审查。

GitHub 项目概览

GitHub 上的开源 DSH DeepSeek Vision 仓库

要求

- Node.js ^22.19.0 或 >=24
- DeepSeek Harness 0.1.0-rc.6
- 在 Harness 目录中注册的图像能力模型
- DSH spawn 子代理提供程序

Harness 必须提供 delegated-image 提示准入、模型输入
模态、see-image-model 设置命名空间以及 Web 对话
插槽。此插件无法将这些契约回溯适配到旧版本中。

当等效的树内 see-image-model、
tool-subagent-image 或 vision-picker 行已启用时，请勿挂载此包。重复的服务
和工具将发生冲突。

从 GitHub 安装

此项目未发布到 npm。构建一个检出副本，并将该本地
包添加到 Web 配置文件中：

git clone https://github.com/Argonaut790/dsh-deepseek-vision.git
cd dsh-deepseek-vision
corepack yarn install --frozen-lockfile
corepack yarn build
dsh plugin --profile web add .

随附的 cordis.patch.yml 会挂载全局路由服务和
see_image；其包元数据会暴露 Web 选择器和 Evidence UI。

配置

打开一个对话，然后从 Vision: …
标签中选择一个支持图像的路由。只有当 Harness 目录明确声明了
image 输入时，模型才会被列出。

对于无头配置，请在
$DSH_HOME/settings.yaml 中配置相同的全局路由：

see-image-model:
provider: openrouter
model: '~x-ai/grok-latest'
maxTokens: 8192

提供商和模型名称仅为示例。它们必须与你的 Harness 中注册的
路由匹配。支持的输出 token 范围为 1–32768。

可以在工具行上设置一个可选的静态回退：

- id: deepseek-vision-tool
name: dsh-deepseek-vision/tool
config:
provider: spawn
agentOptions:
provider: openrouter
model: '~x-ai/grok-latest'
maxTokens: 8192

当全局选择器包含完整路由时，它会优先。

工作原理

1. Harness 会将粘贴的图像保留为持久的 delegated-image 附件。
2. 纯文本父级会通过问题和一个图像
选择来调用 see_image。
3. 插件会为该对话复用最新的匹配视觉分析师，
仅转发该分析师尚未收到的图像。
4. 分析师不会接收任何工具，使用固定的反提示注入人格，
并且必须返回严格的 JSON。
5. 父级会收到简洁的面向模型的文本，而完整的结构化
记录会被保留，用于证据卡片和 Evidence 标签页。
6. 如果持久续接不可用，插件会执行一次隔离的
一次性结构化回读。

调用会由 Harness 工具运行时按对话串行化。路由
变更会创建一个新的分析师，而不是在现有
子级背后修改模型。

隐私、信任与成本

- 选中的图像会发送到配置的视觉提供商。使用前请查看该
提供商的保留、区域和隐私条款。
- 每个分析师回合都会消耗所选模型的 token，并可能产生
提供商费用。后续追问可以复用视觉上下文，但仍然
是模型调用。
- OCR 和视觉结论是模型生成的证据，并非有保证的
事实。请独立验证高影响决策。
- 图像内发现的文本会被视为不可信数据，绝不会被视为
指令。分析师没有工具或外部操作权限。
- 证据记录会在对话历史中保留附件标识符和派生文本；
它们不会嵌入图像字节。

图像选择

see_image 支持：

- latest（默认）：来自包含
委托图像的最新对话事件的图像
- all：去重后的对话图像目录
- ids：该目录中已存在的精确附件 ID

一次调用最多接受 12 个问题，每个问题 2,000 个字符，总计
8,000 个字符。

开发
使用 Corepack 管理的 Yarn：

corepack yarn install --frozen-lockfile
corepack yarn typecheck
corepack yarn build
corepack yarn test

构建会在 lib/index.js 和 lib/tool.js 生成 Host 条目，在 lib/types 下生成声明文件，并在 lib/client.js 生成浏览器 __ModuleLoader__ 打包文件。
参见 CONTRIBUTING.md、SECURITY.md 和
CHANGELOG.md。