图片转文字桥 Xieweikang123/dsh-vision-bridge

dsh-vision-bridge

给纯文本的 DeepSeek「装上眼睛」—— 粘贴图片，自动识别成文字，再交给模型理解。

dsh-vision-bridge 是一个 DeepSeek Harness（dsh）插件。它让本身不支持图片输入的纯文本模型（如 deepseek-v4-flash）也能「看懂」你粘贴的图片：图片在进入模型之前被自动交给一个 OpenAI 兼容的视觉模型（默认智谱免费档 glm-4.6v-flash）识别成文字，替换掉消息里的图片块，于是模型看到的全是文字。

- 走 dsh 官方扩展点 agent/pre-step，非侵入、不改任何 dsh 编译产物。
- 通过 cordis.patch.yml 挂载，与 dsh-vision 等插件并列。
- 默认零成本开箱（智谱免费模型），自动降级链应对限流。

安装

取代码（放到任意独立目录，例如 D:\project）
git clone https://github.com/Xieweikang123/dsh-vision-bridge D:\project\dsh-vision-bridge

让模型「支持图片输入」

dsh 服务端会在图片进入 agent 之前，检查当前模型的 inputModalities，不包含 image 就直接拒绝（返回 MODEL_DOES_NOT_SUPPORT_IMAGES）。所以需要先在 ~/.dsh/settings.yaml 里把模型的输入能力声明为含图片：

llm-pi-ai:
providers:
opencode-go:
apiKeyEnv: OPENCODE_GO_API_KEY
modelOverrides:
deepseek-v4-flash:
input:
- text
- image

这只会让 dsh「放行」图片进入 agent 请求；真正把图片变成文字的是本插件。若网关本身仍拒绝图片（比如 opencode-go 返回 unknown variant image_url），插件会在模型看到图像前完成识别替换，模型请求里已不含图片块。

挂载插件

在 ~/.dsh/cordis.patch.yml 里 insert 插件（Windows 下 name 必须用 file:// URL）：

- insert:
- id: dsh-vision-bridge
name: 'file:///D:/project/dsh-vision-bridge/lib/index.js'

配置识别用的 API key

默认走智谱免费档 glm-4.6v-flash，只需一个 key：

1. 到 注册并创建 API key。
2. 把 key 写进 ~/.dsh/.env：VISION_API_KEY=

key 读取顺序：config.apiKey → $VISION_API_KEY → $DSH_VISION_API_KEY → $ZHIPUAI_API_KEY → $DASHSCOPE_API_KEY。本地 Ollama 端点可免 key。

重启 dsh 后生效：粘贴一张图，发送，模型就能看懂它。

配置

插件支持以下 config 项（在 cordis.patch.yml 的对应条目加 config: 即可）：

- insert:
- id: dsh-vision-bridge
name: 'file:///D:/project/dsh-vision-bridge/lib/index.js'
config:
baseURL: https://open.bigmodel.cn/api/paas/v4 # OpenAI 兼容端点 apiKey: "" # 留空则读环境变量 model: glm-4.6v-flash # 视觉模型
fallbackModels: [] # 自定义降级链;空则默认智谱免费链
prompt: "" # 自定义识别提示词 maxTokens: 2048 timeoutMs: 60000

后端速查

| 场景 | baseURL | model |
| 默认（智谱免费） | https://open.bigmodel.cn/api/paas/v4 | glm-4.6v-flash |
| 智谱付费 | 同上 | glm-4.6v |
| 阿里百炼 | https://dashscope.aliyuncs.com/compatible-mode/v1 | qwen3-vl-flash |
| 火山豆包 | https://ark.cn-beijing.volces.com/api/v3 | doubao-seed-2-1-turbo-260628 |
| 本地 Ollama | http://localhost:11434/v1 | qwen3-vl:4b（无需 key） |

工作原理

1. 用户粘贴/上传图片 → dsh 先把图片存为持久化附件（saveImage），消息里以 { type: 'image', attachment } 块出现。
2. 插件监听 agent/pre-step（dsh 官方扩展点，位于消息进入模型之前）。
3. 发现 image 块 → attachments.readImage(ref) 拿到字节 → base64 data: URL。
4. 调视觉端点的 /chat/completions 识别，返回文字描述。
5. 用识别文字替换 image 块（保留用户自己打的文字），返回 { kind: 'enter', messages }。
6. 纯文本模型收到的是纯文字，正常理解图片内容。
设计上借鉴了 opencode-image-vision 与 dsh-vision 的思路，但映射到 dsh 的原生扩展点、无额外运行时依赖：

- 默认智谱免费档 glm-4.6v-flash、降级链（glm-4.1v-thinking-flash → glm-4v-flash）、API key 解析顺序，均沿用 dsh-vision（MIT）。
- “把粘贴的图识别成文字、喂给纯文本模型”的目标，沿袭 opencode-image-vision（MIT）。

同图按 attachmentId 缓存，不重复识别。

已知限制

- 对话里不会显示原图：因为模型收不到图片（网关/模型不支持），插件把图片替换成了文字，历史里也只有文字。
- 识别质量取决于视觉模型：默认免费档对密集文字（如终端重复行）可能读得冗余；换 glm-4.6v / qwen3.7-plus 等可获得更好效果。
- 改成插件逻辑后，运行中的 dsh 需重启才会加载新模块（热重载主要覆盖 cordis.patch.yml 配置变化）。

License

MIT