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

中文 · English

把图片交给外部视觉模型分析，再把带空间定位的纯文本视觉证据交回原对话模型——被增强的模型不需要原生图片输入能力。

这是什么

DeepSeek Harness（DSH） 的纯文本模型本身看不见图片。本插件为它们补上视觉能力。

核心思路参考 DeepSeek 的 Thinking with Visual Primitives：不把图片转成一段模糊的描述，而是以归一化坐标和可引用对象输出结构化证据，让后续推理可以引用、可检查。

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。

1.5.4 更新

- vision_analyze 工具收紧为 [vision] 模型专用：非 [vision] 模型调用会被明确拒绝并给出可操作原因，自带图片能力的模型不再有两条竞争通路。
- 图片 URL 支持 302 跳转：改为逐跳手动跟随、每一跳重新校验安全，此前短链图床（如 picsum.photos）必然读取失败。
- 抓图失败附带底层原因：错误信息现在包含 cause（如 UND_ERR_CONNECT_TIMEOUT），可直接区分 DNS 失败、连接超时与 TLS 错误。
- 连接超时收紧至 5 秒，并增加一次有限重试（仅覆盖连接类瞬时错误）。

完整更新历史见 CHANGELOG.md。

功能

| 能力 | 说明 |
| 🖼 两个入口，一条核心 | 显式工具调用 vision_analyze 与对话中的 [vision] 模型，共用同一套分析管线与证据格式 |
| 🧠 11 类自动识别 | 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，按问题自动选择模式 |
| 📐 视觉原语 | 以 <ref>、<box>、<point> 输出归一化坐标（0–999），证据可被后续推理引用与核对；三档策略 auto / on / off |
| 🎚 三档细节 | brief · standard（默认） · verbose，按任务复杂度控制证据粒度与 token 开销 |
| 🔒 只增强你选的模型 | 仅对指定纯文本模型追加 [vision] 变体，原模型保留不受影响；自带图片输入能力的模型在选择器中自动置灰 |
| 💾 会话级证据缓存 | 追问仅在已有证据覆盖新任务、细节与关注对象时复用，覆盖不足则重新读图，不把旧答案当事实 |
| 🎛 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 · 按供应商折叠选择待增强模型 |
| 🛡 读取安全 | 远程 URL 拒绝 localhost、私有网段与带凭据地址；重定向逐跳重校验，最多 5 跳 |

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，已实测至 0.2.1-rc.2）。
- 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：

dsh plugin --profile <你的 Profile 名称> 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。

$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：

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：

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 <API Key> |
| 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。

{
"image_path": "D:/images/dashboard.png",
"prompt": "统计界面上可点击的主要按钮，并标出它们的位置" }

{
"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。允许跟随重定向（最多 5 跳）以支持短链图床，但每一跳都会重新执行上述校验——若使用自动跟随，跳转就能到达首跳已放行的检查之外，因此这里逐跳手动跟随，服务器端请求伪造的风险面不因支持跳转而扩大。

该工具仅对 [vision] 模型开放。 在非 [vision] 模型下调用会被明确拒绝，并说明当前 provider、建议改用模型自身的图片能力、以及如何切换到 [vision] 模型。这样，自带图片能力的模型不会同时存在“自己看”和“外部管线”两条通路。拒绝发生在工具执行之前，不会产生任何上游调用。

未配置对话视觉模型（即桥接器未启用）时不存在 [vision] 模型可选，此时不安装该限制，工具保持对所有模型开放。

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：

[Mode]
[Visual Primitives]
[Observations]
[Relations]
[Uncertainty]
[Answer]

定位信息示例：

<ref>submit_button</ref><box>[[742, 861, 900, 930]]</box>
<point>[[125, 430], [210, 430], [300, 510]]</point>

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

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