多模态 MCP 工具集 RRRosmontis/dsh-qwen-mm

dsh-qwen-mm

把 Qwen-MM-Plugins 集成进 DeepSeek Harness，让纯文本的 DeepSeek 模型也能“看懂”图片、视频、文档，并调用网络搜索、3D/CAD 等工具。

自主实现说明：本插件的架构调研、编码、测试、文档与真机验证，均由 DeepSeek Harness（dsh）驱动 deepseek-v4-flash 模型自主完成，全程无需人工编写脚手架。

通过集成 Qwen-MM-Plugins，让 DeepSeek Harness 原生支持多模态。

自主实现。 本插件由 DeepSeek Harness（dsh）运行 deepseek-v4-flash 模型端到端设计与实现，全程无需手写脚手架——架构调研、编码、测试、文档与实机验证均由该 agent 自行完成。

功能总览 / Capabilities

| 能力 | 实现方式 | 需要密钥 |
| 读图 / 读视频 / 读文档 / 读代码 / 读数据 | core MCP 工具（read_image、visualize、media_info、read_video …） | ❌ 无 |
| 云端视觉 / OCR / ASR / 物体定位 | api MCP 工具（vision_chat、ocr、omni_* …），基于 DashScope Qwen VL/Omni | ✅ DashScope |
| 网络搜索 + 以图搜图 | search MCP 工具（web_search、web_extractor、image_search） | ✅ Serper / Tavily / Exa |
| 长视频问答 / 视频剪辑 / Blender / FreeCAD / 数学视频 | video-memory、video-edit、blender、freecad、edu-agent | 按能力而定 |
| 拖图上传 → 纯文本模型读懂 | 下方“图片附件桥接” | ❌ 无（走 vision_chat） |

图片附件桥接

DeepSeek 模型是纯文本的，所以 Web 输入框的图片准入默认会拒绝上传。本插件用三段协作让拖图照样可用：

1. dsh-attachment 图片消费方注册表 —— registerImageIntakeConsumer() / hasImageIntakeConsumer()（见随附的核心补丁），让 host 在有消费方注册时于纯文本路由上放行图片上传。
2. attachments 桥接插件 —— 在 agent/pre-step 把每个图片块导出到 /qwen-mm/attachments/.，并把消息改写为路径引用。
3. 使用指引 —— 提示模型通过 mcp__qwen-mm-plugins-api__vision_chat（云端 Qwen VL）或 mcp__qwen-mm-plugins-core__read_image 读取图片。

拖入图片 → 文件落盘 → 纯文本模型通过 MCP 读懂它。

开箱即用（推荐）/ Out-of-the-box (recommended)

拖图功能依赖 DeepSeek Harness 核心的一小段改动（图片消费方注册表），它尚未进入官方发布版。因此推荐从 包含该改动的 fork 安装，这样全部功能（含拖图）一步到位：

1. 克隆 fork（含核心改动 + 插件源码）
git clone https://github.com/RRRosmontis/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build

2. 安装本插件到 web profile（从 git 或本地）
pnpm dsh --profile web plugin add github:RRRosmontis/dsh-qwen-mm
或：pnpm dsh --profile web plugin add ./packages/bundle/qwen-mm

3. 启动
pnpm dsh --profile web

前置：Node.js、pnpm、uv（提供 uvx）。

仅装插件 / Plugin-only

如果你用的是官方发布版 dsh，MCP 工具与内置 skills 照常可用；只有拖图功能需要核心改动（见下方「核心前置」）。

从 git 仓库安装（锁定 commit）
dsh plugin --profile web add github:RRRosmontis/dsh-qwen-mm#
或从本地目录安装
dsh plugin --profile web add ./dsh-qwen-mm

随后重启 dsh --profile web 并打开新会话。

密钥 / Credentials

DSH 会过滤 MCP 子进程环境里的凭据类变量，所以请把密钥写进共享配置文件，而不是环境变量：

curl -fsSL https://raw.githubusercontent.com/QwenLM/Qwen-MM-Plugins/main/install.sh | bash -s -- configure
core 无需密钥。api/video-memory/video-edit/edu-agent 需要 DashScope 密钥；search 需要 Serper、Exa 或 Tavily。视频工具需要 ffmpeg；Blender/FreeCAD/LibreOffice/Chromium 仅由调用它们的能力按需使用。

用法 / Usage

@report.pdf 总结第 3 页并提取表格。
@meeting.mp4 转写这段会议并标注说话人与时间戳。
@place.jpg 识别这张照片的拍摄地点并在网上核实。

…或者直接把图片拖进输入框提问（拖图需使用上面的 fork）。

核心前置 / Core prerequisite

拖图功能依赖 DeepSeek Harness 核心的一小段改动（AttachmentStore 上的图片消费方注册表，由 host 图片准入闸查询）。它尚未进入官方发布版，两个获取方式：

- 推荐：使用 RRRosmontis/deepseek-harness fork，改动已包含在内（见「开箱即用」）。
- 或：把 deepseek-harness-core.patch 应用到任意 DeepSeek Harness 源码后再构建：

git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
curl -O https://raw.githubusercontent.com/RRRosmontis/dsh-qwen-mm/main/deepseek-harness-core.patch
git apply --check deepseek-harness-core.patch # 先干跑，确认无冲突
git apply deepseek-harness-core.patch # 正式应用
pnpm install && pnpm run build

该 patch 基于 deepseek-harness master 顶点（commit 47f9438）生成；对更旧或更新版本可能需手动合并。

MCP 服务器与内置 skills 无需该改动，在官方发布版上即可工作；只有拖图准入需要它。

目录结构 / Layout

cordis.patch.yml 插件补丁层：skill provider 行 + 图片桥接行 + 7 个 MCP 服务器行 lib/ 预构建运行时（index / invariant / attachments）+ 类型声明 assets/skills/ 内置的 Qwen-MM-Plugins SKILL.md 正文（固定到不可变 release tag） src/ TypeScript 源码 tests/ vitest 测试（provider / patch / bridge / intake）

内置内容与署名 / Vendored content & attribution

assets/skills/ 取自 Apache-2.0 协议的 Qwen-MM-Plugins 仓库，固定在其不可变 release tag 上；上游保留其版权与许可证。MCP 命令在运行时从上游 git 仓库安装同一 tag 的发布版本。

许可证 / License

MIT