视觉原语桥接InkshadeWoods/dsh-tool-visual-primitives

dsh-tool-visual-primitives

为 DeepSeek Harness（DSH） 的纯文本模型补充视觉能力。插件把图片交给外部视觉模型分析，再把带有空间定位信息的纯文本视觉证据交回原对话模型；因此，被增强的模型不需要原生图片输入能力。

核心思路参考 DeepSeek 的 Thinking with Visual Primitives：以归一化坐标和可引用对象，将图像理解转化为后续推理可使用、可检查的证据。

已发布至 npm。推荐使用下方的 DSH 官方一键安装命令；GitHub 源码挂载方式保留给开发与本地调试。

1.5.1 更新

- 声明对 DSH 0.1.5-rc.2 的兼容性：已在真实会话中实测通过（对话增强 bridge 调用、凭据读写、设置与模型目录路由、附件读取全链路正常）。
- 新增 @deepseek-ai/dsh peer 依赖声明（>=0.1.2-rc.1），与既有的引擎声明一致，供 npm 安装解析时校验宿主版本。

1.5.0 更新

- 修复 DSH 0.1.2-rc.1 上设置页保存时“DSH 凭据服务暂不可用”的问题：凭据读写迁移到新的 ctx.remote.credentials 接口，并保留旧宿主的兼容路径。
- “对话增强”模型选择器现在会置灰本身支持图片输入的模型（它们无需桥接），并标注“自带图片支持，无需增强”。
- 网关拒绝图片输入（如 Model do not support image input）或视觉模型返回空内容时，改为清晰的中文错误提示，不再把网关原始 JSON 注入对话。
- 修复持久化设置被 null 覆盖、模型目录响应无上限读取等问题。
- 完善重试路径诊断、空响应拦截、并发去重注释等稳定性细节。

1.4.0 更新

- 设置页的“对话视觉模型”列表改用 DSH 0.1.2-rc.1 的新模型目录接口读取，适配新版宿主。
- 插件最低宿主版本要求提升为 0.1.2-rc.1（dsh.plugin.json 与 package.json 的引擎声明同步收紧）。
- 客户端注入依赖精简：不再注入 @deepseek-ai/dsh-client-runtime。

1.3.0 更新

- 兼容新版 DSH 宿主（0.1.1-rc.8 及以上）的适配器接口。
- 会话辅助调用（标题生成、上下文压缩）不再触发重复的视觉分析，降低配额消耗与偶发失败。
- 相同图片与提示词的并发分析自动合并为一次上游请求。
- 新增“诊断日志”设置项（默认关闭），可输出插件运行日志便于排查。
- 连接测试改进：使用真实 token 预算，失败时错误信息包含上游返回摘要。
- 安装命令更新为 dsh 直令形式（需已全局安装 DSH）。

1.2.0 更新

- 重构设置页面的信息层级与连接流程：已完成配置时默认折叠，并在展开后提供完整编辑与“保存并测试连接”。
- 改进视觉模型选择、模型目录读取、手动模型 ID、连接状态与错误反馈。
- 优化多轮图片对话：无图片的后续轮次不再重复请求视觉模型；明确引用历史图片时可复用已缓存的视觉证据。
- 为图片内容的接口协议不兼容增加清晰、通用的错误提示。

功能

- 两个入口，共用同一条 vision_analyze 分析核心：显式工具调用与对话中的 [vision] 模型。
- 自动识别 11 类视觉任务：描述、对象清单、多主体、计数、定位、空间关系、比较、路径、拓扑、UI、文档视觉。
- 三档分析细节：brief、standard（默认）、verbose。
- 三种视觉原语策略：auto（默认）、on、off；原语使用 、、，坐标范围为 0–999。
- 仅为你选定的纯文本模型追加 [vision] 变体；原模型保留，不受影响。
- 会话级视觉证据缓存：追问仅在已有证据覆盖新问题时复用，否则重新读图。
- 原生设置页：安全密钥存储、连接测试、/models 搜索选择、手动模型 ID，以及按供应商折叠选择待增强模型（自带图片输入的模型自动置灰）。

工作方式

图片 + 用户问题
│
▼
detectVisionMode() → shouldUsePrimitives() → buildVisionPrompt()
│
▼
外部视觉模型（OpenAI 兼容 Chat Completions）
│
▼
纯文本视觉证据（可含坐标化 primitives）
│
▼
原始文本模型继续回答

Mode 与 Detail 是正交控制：Mode 决定任务，Detail 决定信息密度。Primitives 决定是否强制结构化的空间证据。

前置条件

- 已可运行的 DSH Web Profile（要求 DSH 0.1.2-rc.1 或更高版本）。
- Node.js >= 20 与 pnpm。
- 一个可访问的视觉模型服务。默认使用 OpenAI 兼容端点：
- POST /chat/completions
- 可选模型目录：GET /models

视觉服务与被增强的文本模型可以来自不同供应商。

安装

npm 一键安装

在 PowerShell 或终端执行（以下 dsh 命令以已全局安装 DSH 为前提，即 npm install -g @deepseek-ai/dsh；未全局安装时，可将 dsh 替换为 npx @deepseek-ai/dsh）：

dsh plugin --profile web add dsh-tool-visual-primitives@latest

该命令调用 DSH 官方插件管理器，在 web Profile 中执行包安装。安装成功后，DSH 会识别本插件包内的 dsh.bundle.patch 声明，自动将插件加入 dsh.profile.bundles，并在启动时应用包内的 cordis.patch.yml。

该过程可重复执行，不会重复添加 bundle；它不会直接修改 Profile 自身的 cordis.patch.yml 或其他插件配置，因此可与 dsh-better-sidebar 等插件共存。

如使用的不是 web Profile，请将 --profile 改为对应的 Profile 名称：

markdown
dsh plugin --profile  add dsh-tool-visual-primitives@latest

安装后完整重启 DSH，并在“设置 → 视觉分析”中填写 API Key、Base URL 和视觉模型。

从 GitHub 源码本地挂载

这是当前已验证的安装方式。如使用其他目录，请同步调整 $source。
powershell
$source = 'D:\DSH\dsh-tool-visual-primitives'
git clone https://github.com/InkshadeWoods/dsh-tool-visual-primitives.git $source

Set-Location $source
pnpm install
pnpm run build

dsh plugin --profile web add $source

DSH 官方 CLI 会自动将本地包加入 Profile 依赖，并基于包内的 dsh.bundle.patch 声明维护 dsh.profile.bundles；无需手动编辑 Profile 的 package.json 或 cordis.patch.yml。

完整重启 DSH：
powershell
dsh web

首次更新客户端界面时，请在浏览器按 Ctrl+Shift+R 强制刷新。

卸载

如需清除已保存的 API Key，请先在插件设置页点击“清除 API Key”。然后执行 DSH 官方卸载命令：
powershell
dsh plugin --profile web remove dsh-tool-visual-primitives

DSH 会移除包依赖，并自动从 dsh.profile.bundles 清除对应 bundle。完成后重启 DSH。

首次配置

打开 DSH 设置 → 视觉分析，按顺序完成：

1. 填写 API Key、Base URL 与视觉模型。
2. 点击 加载模型：插件从 /models 获取可搜索列表。
3. 若服务不提供模型目录，直接填写 自定义模型 ID。
4. 点击 测试连接。
5. 配置分析参数，并在“对话视觉模型”中勾选希望追加 [vision] 的纯文本模型。

已保存的 API Key 不会在重新打开页面时回显；填写新值会覆盖旧值，点击“清除 API Key”才会删除它。

API 与模型目录

| 项目 | 行为 |
| --- | --- |
| 视觉请求 | POST /chat/completions，使用 Authorization: Bearer  |
| 模型列表 | GET /models，使用 Accept: application/json 与同一 API Key |
| 模型列表失败 | 仍可直接填写自定义模型 ID，不影响视觉分析 |
| 小米 Mimo URL | 自动改用 api-key 请求头 |

分析参数

| 设置 | 选项 / 默认值 | 作用 |
| --- | --- | --- |
| 视觉原语 | auto / on / off（默认 auto） | auto 根据 Mode 与 Detail 判断；on 强制坐标化证据；off 只要求纯文本证据。 |
| 分析细节 | brief / standard / verbose（默认 standard） | 控制输出密度，不改变任务类型。 |
| 重试模式 | off / on / format-only（默认 off） | 原语缺失时，on 重新读图；format-only 尽量保留结论，仅补齐格式。 |
| 最大图片大小 | 10 MB | 本地、远程与对话附件均受上限约束。 |
| 超时 | 180000 ms | 单次视觉模型请求的最长等待时间。 |
| 输出 Token 预算 | auto 或手动值（默认 auto） | auto 跟随 Detail：brief 1024、standard 2048、verbose 4096。 |
| 诊断日志 | off / on（默认 off） | 开启后向 DSH 控制台输出插件运行日志，便于排查问题。 |

11 种自动分析模式

| Mode | 适合的问题 | 证据重点 |
| --- | --- | --- |
| caption | “这张图是什么？” | 整体摘要与关键对象 |
| object_inventory | “图里有哪些物体？” | 主要对象清单与位置 |
| multi_subject | “从左到右有哪些人？” | 主体编号、特征与位置 |
| counting | “有几个按钮？” | 候选对象、排除项与数量 |
| grounding | “红色按钮在哪里？” | 目标及候选位置 |
| spatial_relation | “A 在 B 的哪边？” | 上下左右、遮挡、包含等关系 |
| comparison | “比较这两个区域” | 比较维度与分别可见证据 |
| path_tracing | “路线怎么走？” | 起点、关键点、终点与不确定处 |
| topology | “迷宫是否可达？” | 连通性、阻断与结论 |
| ui_analysis | “这个界面怎么操作？” | UI 元素、状态、位置与下一步建议 |
| document_visual | “解读这张图表/海报” | 标题、文本块、表格、阅读顺序 |

优先级最高的关键词决定 Mode；没有匹配时使用 caption。例如“这个界面有几个按钮？”会识别为 ui_analysis，再叠加所选 Detail。

使用方式

方式一：在对话中使用 [vision]

1. 在插件设置的“对话视觉模型”中勾选一个纯文本模型。
2. 重新打开对话模型列表，选择新增的 模型名 [vision]。
3. 上传、粘贴或拖入图片，并直接提出问题。

插件仅将图像块替换为视觉证据文本；最终回答仍由所选的原文本模型生成。

对于明确指向当前会话最近图片的追问，插件会检查缓存证据是否覆盖新的任务、细节与关注对象/位置。覆盖不足时会重新分析图片，而不是把不充分的旧答案当作事实。

方式二：显式调用 vision_analyze

工具接收且只接收一个图片来源：本地绝对路径或 HTTP(S) URL。
json
{
"image_path": "D:/images/dashboard.png",
json
{
"prompt": "统计界面上可点击的主要按钮，并标出它们的位置"
}
json
{
"url": "https://example.com/chart.png",
"prompt": "解读图表的趋势，并说明读不清的标签"
}

远程 URL 不允许指向 localhost、私有网络地址或携带用户名/密码；重定向会被拒绝，以降低服务器端请求伪造风险。

视觉证据格式

启用视觉原语时，外部视觉模型会被要求按如下标题返回：
text
[Mode]
[Visual Primitives]
[Observations]
[Relations]
[Uncertainty]
[Answer]

定位信息示例：
text
submit_button[[742, 861, 900, 930]]
[[125, 430], [210, 430], [300, 510]]

所有坐标均为相对 0–999，不是原图像素。

已验证的端到端场景

测试素材和结果均保存在 test/。

| 场景 | 已验证结果 |
| --- | --- |
| 对话图片理解 | [vision] 模型成功读取 DSH 使用模式对比图，并向文本模型提供结构化图像说明。 |
| 截图驱动的 UI 复刻 | [vision] 模型理解 Bilibili 首页截图后，文本模型据此生成了一个独立的 Bilibili 风格 HTML 页面。 |

图片理解结果

对话视觉入口成功读取图片

UI 复刻过程与结果

对截图进行 UI 复刻的对话

根据视觉证据生成的 HTML 页面

这些结果证明的是当前版本的端到端链路；生成效果仍取决于外部视觉模型、文本模型、提示词和图片质量。

开发
powershell
pnpm install
pnpm run build

pnpm run build 会生成客户端包 lib/client.js。

- 服务端入口为 index.mjs；修改后需要重启 DSH。
- 修改客户端界面后，需要重新执行构建，并在浏览器中强制刷新页面。

许可证

MIT

致谢与参考

- Thinking with Visual Primitives
- DeepSeek Harness
- Provider 桥接设计参考 modlens