图像读写套件 MJorgin/dsh-media-skills

🎨 dsh-media-skills

给 DeepSeek Harness 装上眼睛——再配一支画笔。在任何会话里读图、生成新图，全程用免费模型。

DeepSeek Harness 擅长推理——但纯文本模型看不见你刚拖进会话的图片。这个合集用两个免费技能、一条免费视觉模型线路和一条视觉引擎故障转移链解决这个问题：

- 📎 粘贴即读 —— 在任何会话里粘贴、拖入或选择图片，免费视觉模型会把它转成文字，你当前用的模型就能看懂。（v0.1.6 / v0.1.1 原生支持；rc.7 / rc.8 需要配合内置核心补丁——见 docs/HARNESS_PATCH_EN.md。）
- 👁️ vision-review —— 分析图片和截图，抓出 UI 视觉缺陷，检测水印，把图片转成文字。
- 🎨 media-tools —— 用免费、无水印的模型生成插画、头像、背景和横幅。
- 🔀 引擎故障转移 —— GLM-4V-Flash（免费）→ DeepSeek-V4-Flash-Vision-Exp（和你的智能体用同一个 key，质量更高）→ SiliconFlow Qwen3-VL → SenseNova → Google Gemini（AI Studio）→ 任何兼容 OpenAI 的端点，输出 ModLens 风格的结构化证据。

不硬编码 key，不用付费 API，不存文件，不切会话。

为什么 · 快速开始 · 实际效果 · 用法 · Key 与隐私 · 常见问题 · 示例

English · 简体中文 · 繁體中文 · 日本語 · 한국어 · Español · Deutsch · Português · Русский

🤔 为什么

大多数 DSH 视觉插件只会读图——而且不少还把你推到一个共享的第三方端点上。dsh-media-skills 走的是另一条路：

| | 本合集 | 常见的纯视觉插件 |
| 免费读图 | ✅ GLM-4V-Flash（免费）· DeepSeek-V4-Flash-Vision-Exp（v0.1.1 默认，同一个 key） | ✅ |
| 免费生成图片 | ✅ SenseNova U1 Fast → SiliconFlow Kolors | ❌ 通常没有 |
| 选择器里自动路由模型 | ✅ ≤ v0.1.1 自动 · v0.1.6 上你在 Settings → Models 里自己选（插件从不写配置） | 有时有 |
| key 提交进仓库 | ❌ 从不——key 只留在本地 | ⚠️ 通常必须提交 |
| 多语言文档 | ✅ 9 种语言 | ❌ 通常只有英文 |
| 隐私 | ✅ 服务商由你选；图片只发往你的服务商 | 共享的免费端点能看到你的图片 |

为什么自带免费 key，而不用内置的匿名端点？ 隐私和可靠性。图片只发往你选的服务商，走你的账号、你的速率限制——中间没有共享的第三方服务。

新版本适配：在 DeepSeek Harness v0.1.6 上，图片附件是原生功能，这个 bundle 按标准运行时插件安装——不打核心补丁，不写配置；模型路由你自己在 Settings → Models 里添加或选择。在 v0.1.1-rc.1 / rc.2 上，deepseek-official 路由原生自带 DeepSeek-V4-Flash-Vision-Exp——粘贴图片转写和视觉模型路由会自动接上，用你的智能体已经在用的 key（零额外 key）。rc.7 / rc.8 会打上 bundle 里的补丁（见 HARNESS_PATCH，历史内容）。

✨ 你能得到什么

| 能力 | 做什么 | 模型 | 费用 |
| 🖼️ 粘贴图片读取 | 在纯文本会话里，把图片粘贴、拖入或选取（add-image 按钮，由 client-ux 补丁恢复）到输入框；视觉模型会描述它（v0.1.1：默认 DeepSeek-V4-Flash-Vision-Exp；rc.7/rc.8：GLM-4V-Flash，故障时切到 SiliconFlow Qwen3-VL，每条路由 15s），然后作为文本连同实时缩略图交给当前模型。（rc.7/rc.8 上是 Harness 核心功能：需要 api-proxy 准入补丁 + rc.8 client-ux 补丁——见 docs/HARNESS_PATCH.md / HARNESS_PATCH_EN.md，补丁文件已包含 rc.7、rc.8、v0.1.1-rc.1 和 v0.1.1-rc.2 版本；这个 bundle 提供它依赖的视觉路由 + 技能） | v0.1.1：DeepSeek-Vision-Exp · rc.7/8：GLM-4V-Flash + Qwen3-VL | GLM 免费；DeepSeek 从你的余额扣费（v0.1.1 默认） |
| 🧠 视觉模型路由 | 「智谱 GLM-4V-Flash（视觉）」在 ≤ v0.1.1 上自动出现在模型选择器里（v0.1.6 上，在 Settings → Models 里添加一次）；v0.1.1 上 deepseek 路由还原生自带 DeepSeek-V4-Flash-Vision-Exp（同一个 key）——新建会话时选任意一个，就能直接聊图片 | 智谱 GLM-4V-Flash · DeepSeek-V4-Flash-Vision-Exp（v0.1.1） | GLM 免费；DeepSeek 扣费 |
| 👁️ vision-review | 分析 / 识别 / 描述图片与截图；抓出 UI 视觉缺陷（重叠、溢出、错位）；检测水印 / logo；把图片转成文字。可选 --structured 模式返回 ModLens 风格的证据 JSON（摘要、完整 OCR、阅读顺序布局、实体 / 关系、不确定项）。引擎故障转移链：GLM-4V-Flash → DeepSeek-V4-Flash-Vision-Exp / SiliconFlow Qwen3-VL / SenseNova / Google Gemini（有 key 就自动加入）→ 任意 OpenAI 兼容端点 | GLM-4V-Flash + DeepSeek-Vision-Exp + Qwen3-VL + SenseNova + Gemini | GLM/SiliconFlow 免费；DeepSeek 消耗你的 API 余额（可选） |
| 🎨 media-tools | 生成图片、插画、头像、背景、横幅 | SenseNova U1 Fast → SiliconFlow Kolors | 免费，无水印 |

⚡ 快速开始

从 DSH 插件管理器（github:MJorgin/dsh-media-skills）安装，或用命令行：

dsh plugin --profile <name> add github:MJorgin/dsh-media-skills

1. Key：
- v0.1.6：安装不需要 key —— 两个技能在运行时注册。技能 key（GLM_API_KEY、SILICONFLOW_API_KEY，可选 GEMINI_API_KEY）放在 ~/.dsh/secrets/media-tools.env（见 Key 与隐私）；原生模型路由由你在 Settings → Models 里自行配置。
- v0.1.1-rc.1+：零额外 key —— 粘贴读图和视觉路由都跑在智能体已有的 DEEPSEEK_API_KEY 上（DeepSeek-V4-Flash-Vision-Exp）。
- rc.7 / rc.8（或想加上免费引擎）：智谱 —— open.bigmodel.cn → API Keys（glm-4v-flash 免费）；SiliconFlow —— siliconflow.cn → API Keys（Kolors 免费）；（可选） Google Gemini —— aistudio.google.com → Get API key；会自动加入视觉故障转移链
2. 在 Web GUI 里添加（Settings → Models），或用凭据文件：

~/.dsh/.credentials.yaml (chmod 600)
GLM_API_KEY: <your key>

3. 重启 dsh web，然后强制刷新（Cmd+Shift+R）。

验证：技能 vision-review 和 media-tools 出现在技能列表里（v0.1.6 上你要自己在 Settings → Models 里加视觉路由；≤ v0.1.1 时模型选择器会显示 智谱 GLM-4V-Flash（视觉））。如果你的 Harness 构建支持粘贴图片读图，输入栏还会有 📎 Add image 按钮 —— 在任意会话里粘贴图片，它会以文字描述的形式送达。

完整走查与故障排查：docs/SETUP_VISION_EN.md。

📸 实际效果

在纯文本会话里粘贴图片 → 免费视觉模型描述它 → 你的模型作答。同一个包也能按需生成新图片。

一张图看懂它怎么工作：

🚀 用法

三种读图方式：

| 方式 | 怎么做 | 什么时候用 |
| A. 直接粘贴（推荐） | 在任意会话里，点 📎 按钮 / 拖拽 / 粘贴图片，然后发送 | 日常看图提问 —— 不用存文件，不用切模型 |
| B. 视觉模型会话 | 新建对话，选 智谱 GLM-4V-Flash（视觉），粘贴图片开聊 | 多轮图片对话，原生 read_image |
| C. 文件 + 技能 | 把图片放进工作区，说「read this image with vision-review」 | 批量审阅，脚本化工作流 |

描述语言跟随你的消息语言（中文消息 → 中文描述；英文消息 → 英文描述；没有文字 → 中文）。

也可以直接说：

- 「看看这张图 / 检查这个截图有没有视觉 bug」→ vision-review
- 「生成一张……的图」→ media-tools

🔑 密钥与隐私

密钥绝不存进本仓库。技能脚本按顺序读取：环境变量 → ~/.dsh/secrets/media-tools.env → ~/.codex/secrets/media-tools.env（旧版回退）。视觉模型路由从 DSH 的凭据存储里读 GLM_API_KEY（≤ v0.1.1；v0.1.6 上路由由你在 Settings → Models 里自行配置）。

密钥去哪拿（全都免费）：智谱 —— open.bigmodel.cn → API Keys（glm-4v-flash）。SiliconFlow —— siliconflow.cn → API Keys（Kolors）。Google（可选，会自动加入视觉故障转移链）—— aistudio.google.com → Get API key。

~/.dsh/secrets/media-tools.env (chmod 600, one KEY=value per line)
GLM_API_KEY=...
SILICONFLOW_API_KEY=...
GEMINI_API_KEY=... # optional

你的图片只发给你配置的服务商 —— 不会发到本仓库，也不会发到共享的匿名端点。

关于 Gemini 的隐私提醒：Google 免费档密钥附带数据使用条款 —— 请求可能被用于改进 Google 产品。敏感图片（证件、内部文档、客户数据）建议优先用国内直连引擎（智谱 / SiliconFlow）。

❓ FAQ

粘贴图片读取需要给 DeepSeek Harness 核心打补丁吗？ 自动描述流水线在 Harness 核心里 —— v0.1.6 / v0.1.1 原生支持，rc.7 / rc.8 上是 api-proxy 的图片准入逻辑（见 docs/HARNESS_PATCH_EN.md）。本包提供的是技能（外加 ≤ v0.1.1 上的视觉模型路由）—— 视觉模型在任何 DSH 版本上都能用，但粘贴图片读取需要带该核心支持的 Harness 版本。

为什么不干脆用内置的免费端点，连密钥都不用？ 我们更愿意把路由交给你自己掌控：图片发往你选的服务商，走你的速率限制，中间没有共享的中转。密钥免费，创建大约两分钟。

media-tools 真的免费吗？ 是的——SiliconFlow Kolors 免费且无水印。如果某个模型临时下线，技能会列出可用模型，你可以切换。

🎁 示例

拿来就能试的素材——6 张 AI 生成图片及其提示词，外加一张专门做的视觉测试卡（标题、按钮、柱状图数值），用来检查读取准确度：

→ examples/README.md

🗺️ 目录结构

dsh-media-skills/
├── package.json # dsh.bundle manifest
├── cordis.patch.yml # plugin layer
├── index.js # registers the two skills via the DSH v0.1.6 provider lifecycle
├── skills/
│ ├── vision-review/ # image reading
│ └── media-tools/ # image generation
├── examples/ # sample images + vision test card
├── docs/
│ ├── screenshots/ # demo mockup & how-it-works diagram
│ ├── SETUP_VISION_EN.md # detailed setup guide (English)
│ ├── SETUP_VISION.md # 详细配置指南（中文） │ ├── HARNESS_PATCH_EN.md# core patch notes (English) │ ├── HARNESS_PATCH.md # 本体补丁说明（中文） │ ├── COMPARE_MODLENS.md # 与 ModLens 的对比/共存（中文） │ └── lang/ # READMEs in 9 languages ├── scripts/make-banner.py # regenerates docs/social-preview.png └── docs/social-preview.png

🧩 同时用 ModLens？

本插件包和 ModLens 都能让纯文本模型获得视觉能力。两者一起安装不会冲突：ModLens 先拦截粘贴（路径 → modlens_read_image 工具），本插件包的 api-proxy 兜底处理它没接管的部分。完整对比、粘贴路由顺序，以及如何让 ModLens 指向同一个免费智谱端点，见 docs/COMPARE_MODLENS.md（中文）。

🤝 加入 DSH 插件生态

DeepSeek Harness 开发者预览版仍处于面向 Harness 开发者的测试阶段；核心插件和基础 API 会持续迭代。期待与全球开发者一起，在开源、开放、可复用、可组合的基础设施之上，探索智能的上限。

- dsh-plugin topic
- Quickstart
- DeepSeek Harness repo
- dsh-agent-conductor — 同作者的指挥家：在 DSH 里派活给 11 种外部 agent CLI（Codex / Claude Code / TraeCode…）

本仓库打了 dsh-plugin 标签，并收录在 awesome-dsh-plugin 精选列表里。欢迎提交 PR、issue 和翻译。

📄 License

MIT