附件格式扩展 linkingoscar/dsh-attachment-formats

dsh-attachment-formats — DeepSeek Harness 附件扩展（dsh-plugin，Codex 风格）

license
version
harness
dsh-plugin
GitHub

DeepSeek Harness 插件（dsh-plugin）· Web GUI 一键安装 dsh plugin add。 让输入框支持 PDF、Office（docx/xlsx/pptx）、TIFF、epub/odt/rtf、长文档与扫描件 OCR（tesseract/百度/DeepSeek Vision 等 8 家），Codex 式。检索词：dsh deepseek-harness cordis pdf office ocr tesseract。

让 DeepSeek Harness Web 的输入框像 Codex 一样接收更多文件格式。不改动任何核心包：纯插件实现，沿用 Harness 原生的图片草稿栏、上传限额校验、历史渲染与模型请求管道。

dsh plugin --profile web add github:linkingoscar/dsh-attachment-formats

dsh-attachment-formats — 回形针·文档芯片·索引卡（Playwright 本地 mock，dsh 0.1.1-rc.2）

回形针按钮 · 拖放/粘贴 · 官方按会话注入 · 索引卡永不静默截断——Playwright 对本地 composer 模拟页截取。

支持的格式

| 文件 | 处理方式 | 去向 |
| PNG / JPEG / WebP / GIF | 原生管线，本插件不介入 | 图片草稿栏（原生） |
| PDF（有文本层） | 文字层提取（≤40 页用 pymupdf4llm 高保真引擎，更大/不可用时 pdfjs 兜底） | 全文挂文档卡片（发送时并入消息）；超限转存工作区 + 索引卡片 |
| PDF（扫描件/无文本层） | tesseract.js OCR（置信度 ≥45 才采用），失败回退页面图 | OCR 成功走文本通道；失败 → 图片草稿栏（仅视觉模型） |
| Word (.docx) / Excel (.xlsx) / PPT (.pptx) | 提取文本——docx 经 mammoth HTML → turndown，表格保留为 Markdown 管道表 | 文档卡片（发送时并入）；超限转存 + 索引卡片 |
| 旧 .doc / .xls / .ppt | LibreOffice headless → docx/xlsx/pptx → 标准 Office 管线（需 soffice，缺失时明确报错） | 文档卡片（发送时并入） |
| epub / odt / rtf | pandoc → Markdown（PATH 探测）；无 pandoc 时 epub/odt 走 jszip+turndown 兜底；rtf 需 pandoc | 文档卡片（发送时并入） |
| TIFF (.tiff/.tif) | sharp（libvips）→ PNG 页（多页支持，≤20 页） | 原生图片草稿栏 |
| txt / md / json / 代码等 | 浏览器本地读取（UTF-8，回退 GB18030） | 文档卡片（发送时并入）；超限转存 + 索引卡片 |
| BMP / ICO / AVIF / SVG 等 | 浏览器解码后画布转 PNG | 原生图片草稿栏 |
| iWork / 音视频 / 压缩包 | 不转换，交给原生上传 | 原生文件附件（dsh 0.1.3+） |

文档卡片（Codex 式挂载，输入框保持干净）

拖入/选择的文本类附件不会塞进输入框：内容挂成输入框上方的一枚文档卡片（文件名 + 字符数 + 全文/索引标签，可单独移除），图片照旧进原生图片草稿栏。
你正常在输入框打字提问，发送瞬间插件把卡片内容并入消息（带 [附件: 文件名] 出处标记）再走原生提交——提问位置永远在最上面，内容也
一字不丢：

- 卡片条自带发送按钮：只挂文档不输入文字也能一键发出；
- 按 Enter / 点原生发送按钮：卡片自动并入后再提交；
- 模型忙于回复时不会合并（卡片保留，稍后再发）。

长文档（索引卡模式，永不静默截断）

超过 8 万字符的文本、多页长 PDF：不塞进消息，而是

1. 主机端转存到会话工作区 .dsh-attachments//（内容寻址，重复拖入复用；约 7 天未访问自动清理）：
- doc.md —— PDF 文字层按页组装（页首 页码标记）、 Office 提取文本、长文本原样（长 JSON 自动格式化落盘为 doc.json）；
- pages/pNN.png —— 页面渲染图（≤100 页，视觉模型用 read_image 补充查看版式/图表；惰性生成，只有走索引卡路径才渲染）；
- manifest.json —— 来源、页数、行数、字符数、引擎、完整源文件 SHA-256 与转换策略指纹（换引擎/OCR/doc-server 自动让旧缓存失效）；
- INDEX.md（缓存根）—— 本工作区全部已转存文档的聚合清单。
2. 消息里只挂一张几百 token 的索引卡片：页/行/字符数、大纲（PDF 标题粗检、 md 标题、JSON 第一层键树）、以及读取指引。
3. 模型用 DSH 现成 read 工具分页读取（offset/limit，行号即出处坐标）——总结全文就逐段读完（不丢尾部），查细节就按大纲跳读；缺内容时是显式的工具失败，不会静默丢失。

设计取舍与业界取证见 docs/design-longdoc.md；同类作品比对见 docs/alternatives.md。

引擎与 OCR（v3）

- PDF 文本引擎：auto（默认）→ ≤40 页用 venv 内 pymupdf4llm（表格/标题高保真），更大文档或 venv 缺失时 pdfjs（秒级）。env：DSH_ATTACH_ENGINE= auto|python|builtin。
- 扫描件 OCR：百度云 API（见下）→ python（PyMuPDF，需系统 tesseract）→ tesseract.js（纯 JS，首次使用下载 eng/chi_sim 语言包 ~24MB 缓存到 vendor/tessdata/）。置信度 指向解析服务（PP-StructureV3 paddleocr serve、MinerU 或任意包装网关）。契约：
POST {base}/convert multipart 字段 file → { "ok": true, "markdown": "..." }。
配置后 PDF 优先走服务，任何失败自动回落本地引擎链。
- 附件缓存设置页：设置 → 附件缓存，列出全部已转存文档（规模/引擎/时间），支持逐条删除与全部清空；数据源 GET /api/attach-formats/cache、 POST .../cache/delete、POST .../cache/clear。
- 工作区零拷贝：512KB～16MB 的文本文件先做工作区同源解析——浏览器本地读完整文件算出 SHA-256，再经 GET /api/attach-formats/resolve 让主机按「文件名 + 字节数 + 完整 SHA-256」确认同源文件（~2.5s 限时、跳过依赖目录）。
命中则挂 📎 引用卡片——不上传内容（只传文件名、大小与哈希，为算哈希本地会读一遍文件），模型用 read 工具直接读该路径；未命中回落常规上传转存。
超过 16MB 直接拒绝，不再尝试零拷贝。

上下文自适应与全文命令（v2b）

- 自适应并入上限：客户端读 token-meter 的 contextPressure 投影（模型上下文窗口 × 当前占用），全文卡片并入上限 = min(8 万字符, 余量×1.5)——余量不足时自动转索引卡并在状态条说明，从源头杜绝"并入顶爆上下文被 API 静默截尾"；投影缺失时回退固定 8 万阈值。
- /attach 命令（输入框斜杠菜单，主机端注册）：
- /attach list —— 列出本工作区已转存文档（id/名称/规模/引擎）；
- /attach full —— 把全文作为 next-step 消息并入模型上下文（下一条消息生效，不打断当前对话）；上限 30 万字符，超限显式截断说明，绝不静默丢内容。之后仍可用 read 工具按行精读定位。

交互入口

- 回形针按钮：输入栏工具行（conversation.input.left），打开文件选择器，支持多选；accept 列表覆盖上表全部格式。
- 拖放：把 PDF / Office / 文本文件直接拖到页面任意位置。
- 粘贴：复制文件后 Ctrl+V 到输入框（或整页粘贴）。

原生图片和不支持转换的文件（如 ZIP）拖放/粘贴整批交给 Harness 内建管线。
混入 PDF / Office / 文本等转换格式时，插件接收整个批次，转换后把图片和其余原始文件定向挂入原会话，文档保留为卡片；不再使用全局合成 drop。

架构

projects/dsh-attachment-formats/
├── lib/
│ ├── index.js # 主机半区：POST /api/attach-formats/convert + 引擎路由 │ ├── client.js # 浏览器半区：按钮/拖放拦截/定向附件/文档卡片/状态条 │ ├── cache.js # 工作区 .dsh-attachments 落盘/manifest/INDEX.md/清理 │ ├── py/pymupdf4llm_convert.py # venv 高保真引擎（子进程调用） │ └── convert/ │ ├── util.js # 魔数嗅探（pdf/tiff/OLE/rtf/zip）、base64、文本截断 │ ├── provider.js # 引擎/二进制探测（venv python、pandoc、LibreOffice）+ 子进程桥 │ ├── pdftext.js # pdfjs 文字层提取：行组装/页眉页脚去重/书签目录 │ ├── outline.js # md 标题大纲、JSON 第一层键树 │ ├── ocr.js # tesseract.js OCR（traineddata 下载缓存/置信度） │ ├── pdf.js # pdfjs-dist + @napi-rs/canvas → PNG/JPEG 页 │ ├── docx.js # mammoth HTML → turndown+GFM → Markdown（表格保留） │ ├── xlsx.js # exceljs → 制表符文本 │ ├── pptx.js # jszip + a:t 文本运行 → 每页文本 │ ├── tiff.js # sharp（libvips）→ PNG 页 │ ├── pandoc.js # pandoc → Markdown + epub/odt zip 兜底 │ └── libreoffice.js # 旧 .doc/.xls/.ppt → 现代 OOXML ├── .venv/ # （可选）pymupdf4llm 高保真引擎（setup 生成，不入库） ├── vendor/tessdata/ # OCR 语言包缓存（首次使用下载，不入库） ├── docs/ # design-longdoc.md / alternatives.md / upgrade-v6.md ├── scripts/smoke-*.mjs # 五套离线冒烟（转换器/路由/客户端/OCR/P0） └── cordis.patch.yml

- 主机路由重新嗅探魔数，不信任客户端声明的 kind；请求体 160MB 上限、单文件 64MB 上限；cwd 由客户端从会话状态读取后随请求上报（决定缓存落盘位置）。
- dsh v0.1.2+ 下所有插件精确路由复用宿主 connection 的 launch-token 与 Host/Origin 校验；v0.1.1 继续沿用旧版 localhost 信任边界。
- 分级阈值：全文卡片并入上限 8 万字符（v2b 按上下文余量自适应压低）；缓存页图 ≤100 页（1100px 宽，PNG 超单图字节预算回退 JPEG）；扫描件页图上限沿用部署限额；OCR 单次 ≤20 页（2000px 宽），置信度 / （工作区模式改为 opt-in；旧 cwd/.dsh-attachments 每工作区自动一次性迁移）； DeepSeek Vision 探测到 Key 即进入 auto OCR 链（可关，首次转录明示按 token 计费）；凭据优先走官方 ctx.credentials seam（文件解析仅回退）；设置增加 revision 乐观锁（expectedRevision，冲突 409）与缓存位置选择器；smoke 套件全面隔离 DSH_HOME。
- v0.8.0
—— 外部 API 全部进设置页（不再必须 env）：8 家 OCR（百度/阿里云 AppCode/腾讯云 TC3/ Azure Document Intelligence/火山/通用 VLM/本地 tesseract.js/关闭）+ 6 家文档解析预设（PaddleOCR/MinerU/Marker/Docling/自定义/关闭），配置持久化 DSH_HOME、脱敏回显；零配置 DeepSeek Vision OCR（复用宿主 DeepSeek Key，表格转 GFM）；芯片视觉来源徽标； sharp/@napi-rs/canvas 迁 optionalDependencies + 三态探测；.gitignore marker 注入
+ /api/attach-formats/doctor 自检。
- v0.7.0
—— 适配 dsh v0.1.x 附件管线：图像限额同步规范化时代新默认（20MiB/200MiB/64MP/8192px + 新增 maxImageDimension），页面图渲染改以宿主 normalizationPolicy.maxBytes 预算为目标；转换图片改走官方按会话注入面（createDraftImages + addImages，v0.1.1+ 不再出现跨对话串扰）；文档卡片改经官方 setDraft 写路径合并（命令认领态绝不污染）；附件缓存页迁移到 rc.7 规范的 settings.plugins.tab；/attach 显式声明 images: false， /attach full 改用 agent.inject() 别名；DOM 桥接与合成 drop 保留为旧版宿主回退。
- v0.6.4
—— 会话归属正确与零拷贝校验：附件按 shell 当前会话归属（不再出现卡片/图片跑到别的对话框）；转换图片等当前会话空闲再投喂；工作区零拷贝改「文件名 + 字节数 + 完整 SHA-256」同源确认（杜绝同名同大小静默替换）， 16MB 直接拒绝；INDEX 单元格转义、重建按工作区串行化；缓存命中保留
source 口径字段；旧版 Office manifest 标注 libreoffice+builtin 引擎。
- v0.6.3
—— 缓存生命周期加固：v0.6.1 的 8-hex 遗留缓存目录在清理/清空时一并扫除（不再有不可见孤儿）；JSON 转存区分源文本与落盘产物尺寸（分流按产物口径）；缓存命中降级为索引卡时惰性补齐页面图；INDEX.md 改由合法 manifest 全量重建（无 ghost 行、转存时间列修复）；旧版 .doc/.xls/.ppt 缓存键改用原始 OLE 字节，命中直接跳过 LibreOffice；manifest/INDEX 原子写。
- v0.6.2
—— 缓存正确性与快路径：缓存目录 16 hex + manifest 存完整 SHA-256；转换策略指纹（换引擎/OCR/doc-server 自动让旧缓存失效）；索引卡命中时按结构化 metadata 用当前文件名重建（不再串名）；TTL 纳入模型直接 read 的文件访问时间；页面图惰性生成（干净小 PDF 不再被整本光栅化拖慢）； 2–16MB 文本可走主机转存不再被拒；消除 React key 警告；Node >=20；CI actions 升级 v7。
- v0.6.1
—— 正确性与工程化修复：附件条崩溃修复（useCallback 引用缺失）、转换器不再预截断（端到端恢复「永不静默截断」）、路由统一以会话派生的工作区为准、XLSX 空列坐标修复、按源文件哈希命中的真转换缓存、TTL 以最后访问时间为准、合并进草稿时回读校验；新增 ESLint、CI（Node 20/22）与组件级冒烟测试。
- v0.6.0
—— 保真度与格式覆盖（DOCX 表格、TIFF、epub/odt/rtf、旧版 Office、 PDF 书签大纲）、百度 OCR + 远程 VLM OCR + 外部文档解析服务、内容自适应引擎、附件缓存设置页、工作区零拷贝引用。
- v0.5.0
—— 文档卡片、索引卡转存、/attach list|full、自适应并入上限、 pymupdf4llm/pdfjs 引擎、tesseract.js OCR。

模型体验

提取文本与 OCR 转录仅在用户发送合并消息（文档卡片）或模型用 read 读取落盘 doc.md 时进入模型上下文——插件自身不提交任何内容。视觉 OCR （deepseek-flash 或已配置的云供应商）由该供应商按 token 计费；每批首次转录会在卡片说明中明示。索引卡在默认缓存目录（home）下写绝对路径、工作区模式下写相对路径，read/read_image 两种模式均可解析。

KV Cache 效果

转换结果内容寻址、跨发送原样复用（缓存命中除索引卡本身外零新增 token）。
切换引擎/OCR 供应商会改变转换策略指纹并使旧缓存失效：换供应商后下一次拖入重新转录，绝不供应旧文本。

常见问题（检索友好）

问：如何在 DeepSeek Harness Web 中支持 PDF？ dsh plugin --profile web add github:linkingoscar/dsh-attachment-formats 即可，PDF 文字层经 pymupdf4llm/pdfjs 提取，扫描件走 OCR，长文档落盘索引卡。

问：Office/TIFF/epub 支持吗？ 支持，docx 表格→Markdown 管道表，xlsx/pptx/tiff/epub 同理。

问：和 dsh-at-file / dsh-file-uploads 区别？ 本插件做内容转换（文本模型可读），而 file-upload/at-file 仅传路径；本插件对工作区文件做 SHA-256 零拷贝，不走重复上传。

问：OCR 有哪些？ auto 按 百度 → VLM → 阿里/腾讯/Azure/火山 → DeepSeek Vision 选择首个已配置云端，失败即回退本地 tesseract.js；跨云重试为显式选项。

问：缓存位置？ 默认 DSH_HOME/storages/attachment-docs//，可选工作区 .dsh-attachments/，7 天 TTL。

相关收录

- 按 DeepSeek 官方建议为仓库打上 dsh-plugin topic 以被检索。
- 精选目录：awesome-dsh-plugin、dshplugin.world、deepseekharness.io/plugins、dsh.pub——本插件声明 dsh.bundle，符合 manifest-verified 收录条件。

已知限制

- DeepSeek Key 的文件回退用极简正则解析 .credentials.yaml；宿主凭证格式变化时插件回退本地 tesseract 并告警（官方 ctx.credentials seam 优先尝试）。
- auto 视觉需要探测到 DeepSeek Key；无 Key 时静默跳到本地 OCR （显式 deepseek 模式会说明原因）。
- 旧 .doc/.xls/.ppt 需要 LibreOffice；rtf 需要 pandoc；重型解析器（MinerU/Marker/PaddleOCR）仅作外部服务——绝不捆绑。
- iWork 与压缩包暂不转换。

License

Apache-2.0 © 2026 linkingoscar

2026-09-30 未发布修复与验证

已按官方 Harness 0.2.0-rc.2 开发预发布版（639ed015397290b3745d163aafe02ffee4aa3f84）验证源码契约、既有输入框/多会话行为测试及真实宿主的认证上传转换、未认证拒绝。兼容矩阵保留旧版本并加入新版本；不等同于完整浏览器视觉验收。

PPTX 改按 presentation.xml 的关系顺序读页，排除孤立页并明确报告断链；ODT 兜底保持标题/正文交错顺序及标题层级；EPUB 兜底按 OPF spine 顺序读取，排除导航及非线性附属内容，缺失元数据/断链/不支持的正文类型明确报错。包内 XML 使用命名空间解析，禁止 DTD/实体定义及外部取资源。npm run test:document-order 可单独复验。Pandoc EPUB 测试夹具已补齐正确 OPF 包结构。

Python 引擎、OCR 语言文件缺失时相关可选测试会跳过，不把离线测试通过当作可选后端已验证。

小升级：PDF 文本覆盖提示混合文字/无文字页 PDF 现在会说明文字覆盖页数和待核对页码；直插、索引卡及缓存命中保持一致，文档芯片显示“待核对”。无文字可能是空白、扫描件或图表；每页都有文字也不代表图表、公式和版式完整保留。沿用已有缓存和预览，无新增解析服务。见精简规划。