免费识图插件 orrinzeng/chat-deepseek-vision

chat-deepseek-vision

一个原生 DeepSeek Harness (DSH) Cordis 插件，通过逆向工程实现的 chat.deepseek.com 视觉模式（model_type=vision）分析图像——免费，无需第三方视觉 API 密钥。

- 无 stdio/MCP 桥接（取代旧的 @deepseek-ai/dsh-mcp-client + node dist/index.js 配置）
- 工具直接注册到当前 agent 的工具注册表中，与官方 @deepseek-ai/dsh-tool- 插件同构
- 纯 ESM JavaScript，零运行时资源（官方 PoW wasm 以 base64 内嵌），无需构建步骤

工具

| 工具 | 描述 |
| analyze_image | 通过 chat.deepseek.com 视觉模式分析现有图像（本地路径 / http(s) URL / data URI），返回文本描述 |
| analyze_attachment | 分析发送框 / 会话中附加的图像（通过 attachment_id，可自定义提示词进行深入分析） |
| describe_screen | 捕获屏幕并分析（全屏 / 主屏 / 特定窗口；在后台捕获，不切换窗口） |
| take_screenshot | 仅捕获屏幕并保存（不分析） |
| list_windows | 列出所有可见窗口的标题 |
| dsv_status | 插件自检（掩码 token、端点、超时、截图目录、附件自动描述开关）+ DeepSeek Web 连通性检查 |

截图依赖 Windows PowerShell（CopyFromScreen / GDI BitBlt / PrintWindow 三种方法回退）。
视频/音频能力超出“通过 chat.deepseek.com 分析图像”的范围，不包含在此插件中。

发送框附件图像（直接支持）

用户可以直接在发送框中附加图像（拖放 / 粘贴 / 文件选择器）——无需文件路径：

1. 准入放行：DSH 的图像附件准入（prompt 入口）要求当前模型声明 image 输入，否则会直接拒绝请求（MODEL_DOES_NOT_SUPPORT_IMAGES，显示为“当前模型不支持图像”）。官方 DeepSeek 适配器在 resolveModelInfo 中硬编码
inputModalities: ["text"]，且无配置覆盖，因此此插件安装了一个
能力声明补丁（lib/model.js）：仅针对 deepseek 路由，它在返回的 resolveModelInfo modalities 中追加 "image"，让附件准入通过。该补丁只改变声明，绝不改变任何真实请求；插件被释放时原始方法会被恢复。
2. 自动描述（agent/pre-step 钩子）：会话消息中的 image 块被投影为文本占位符
（占位符由插件渲染为 [图片附件 id=sha256:... name=... WxH]——按设计为中文，携带
附件 id；DeepSeek 适配器永远不会收到图像块），同时插件自动运行 chat.deepseek.com 视觉并将描述作为用户消息注入：

此图像是……（完整描述）

模型可以直接根据描述作答；同一附件每个会话只分析一次（持久化标记 + 进程内缓存）。
3. 深度分析：模型可以调用 analyze_attachment 工具并传入 id 进行自定义分析（提取文本/数据、比较细节、翻译等）。
4. 原生图像模型：当使用真正接受图像的模型（例如 pi-ai 视觉模型）时，设置 nativeImageModels: true —— 当模型声明支持图像输入时，插件会跳过投影/描述，让原生图像管线处理它。
5. 禁用自动描述：设置 autoDescribe: false（analyze_attachment 手动工具仍然可用）。

注意：投影后，用户消息中原始图像缩略图的位置会显示附件占位文本（与 DSH 对纯文本模型下 MCP 图像结果的处理策略一致）；附件字节本身仍作为会话附件存储，随时可通过 analyze_attachment 重新分析。

工作原理

针对 chat.deepseek.com 内部端点的纯 HTTP 调用（无浏览器）：

POST /api/v0/chat_session/create → chat_session_id
POST /api/v0/chat/create_pow_challenge → PoW 挑战（DeepSeekHashV1）在本地求解 PoW（内置官方 sha3_wasm_bg.wasm，26KB，零导入） POST /api/v0/file/upload_file (multipart) → file_id（x-ds-pow-response 请求头） GET /api/v0/file/fetch_files → 轮询直到 status == SUCCESS POST /api/v0/chat/completion (SSE stream) → 回复文本（model_type="vision"） POST /api/v0/chat_session/delete → 使用后删除会话

⚠️ 风险提示：这是一个逆向工程得到的非公开接口，仅供个人研究使用。DeepSeek 可能随时更改协议或标记账号；请自行评估风险。当算法变更时，替换 wasm/sha3_wasm_bg.wasm 并运行 npm run embed:wasm。

配置

插件配置来自加载器条目的 config；未设置的字段回退到同名环境变量：

| 插件配置 | 环境变量 | 默认值 | 描述 |
| token | DSW_TOKEN | - | DeepSeek Web 登录令牌（64 个字符，见下文） |
| cookie | DSW_COOKIE | - | 会话 cookie（例如 ds_session_id=...，可选） |
| baseUrl | DSW_BASE_URL | https://chat.deepseek.com | DeepSeek Web 端点 |
| timeoutMs | VISION_TIMEOUT_MS | 180000 | SSE 空闲超时（毫秒）：以“无新数据”的持续时间来衡量，因此长输出不会被总时长上限终止 |
| screenshotDir | VISION_SCREENSHOT_DIR | ~/Pictures/Screenshots | 截图保存目录 |
| autoDescribe | - | true | 自动描述发送框附件并注入描述；设为 false 则仅保留 analyze_attachment 手动工具 |
| attachmentPrompt | - | 默认描述提示词 | 用于自动描述附件的自定义提示词 |
| nativeImageModels | - | false | 当为 true 时，如果当前模型声明支持图像输入（例如 pi-ai 视觉模型），插件会跳过投影/描述，改用原生图像管线 |
| userAgent | - | Chrome 132 UA | 请求 UA（可选） |

获取 token（64 个字符）：
1. 在浏览器中登录 chat.deepseek.com
2. F12 → Console，运行：JSON.parse(localStorage.getItem('userToken')).value
3. 将输出填入 token（或 DSW_TOKEN）

限制：仅支持图像（截图、本地图像、URL、data URI），单张图像 ≤ 15MB。

安装到 DSH Profile

1. 将插件包安装到 profile 中

在 profile 目录中运行（dsh plugin 会将其参数转发给 pnpm）：

dsh plugin --profile web add file:D:/mcp/chat-deepseek-vision

等同于在 %USERPROFILE%\.dsh\profiles\web 中运行 pnpm add file:D:/mcp/chat-deepseek-vision。

2. 在 cordis.patch.yml 中注册插件

编辑 %USERPROFILE%\.dsh\profiles\web\cordis.patch.yml 并追加一个 loader 条目（token 来自浏览器 localStorage）：

chat-deepseek-vision: native DSH vision plugin (replaces the MCP deepseek-vision)
- insert:
- id: chat-deepseek-vision
name: chat-deepseek-vision
config:
token: 'your-64-char-token'
cookie: 'ds_session_id=xxx; ...' # optional
baseUrl: 'https://chat.deepseek.com'
timeoutMs: 180000

你也可以省略 config，改为依赖环境变量 DSW_TOKEN/DSW_COOKIE（对于无头/CI 场景更方便）。

3. 重启 DSH

重启后，进行验证：让 agent 调用 dsv_status —— “connected OK” 表示安装成功；analyze_image 已可使用。

本地开发

npm run smoke # smoke test: wasm/PoW, config resolution, resolveImage, plugin shape, screenshots, attachment projection/auto-describe
npm run embed:wasm # after DeepSeek updates the PoW algorithm, re-embed from wasm/sha3_wasm_bg.wasm
node scripts/smoke.mjs

目录结构：

chat-deepseek-vision/
├── package.json # name: chat-deepseek-vision (peer: @deepseek-ai/cordis, @deepseek-ai/dsh-llm, @deepseek-ai/dsh-tools)
├── lib/
│ ├── index.js # Cordis plugin: name/inject/apply + 6 tool registrations + agent/pre-step attachment handling
│ ├── attachment.js # send-box attachments: image-block projection / auto-describe / analyze_attachment ref lookup
│ ├── model.js # capability-declaration patch: deepseek routes declare image (attachment admission pass-through)
│ ├── vision.js # facade: config resolution + resolveImage/analyzeImage(Buffer) + self-check
│ ├── deepseek-web.js # DeepSeekWebClient (session/PoW/upload/SSE, ported from client.ts)
│ ├── screen.js # screenshot tool logic (ported from tools.ts: describe_screen etc.)
│ ├── platform.js # 截图与窗口枚举（从 platform.ts 移植，PowerShell，execSync 管道捕获） │ ├── pow.js # PoW 求解器（wasm-bindgen 调用约定，从 pow.ts 移植） │ └── wasm-base64.js # 生成：官方 sha3_wasm_bg.wasm 以 base64 嵌入 ├── wasm/sha3_wasm_bg.wasm # 官方 PoW wasm（更新源） └── scripts/ ├── embed-wasm.mjs # 重新生成 wasm-base64.js └── smoke.mjs # 本地冒烟测试（SMOKE_SCREENSHOT=1 还会运行一次真实屏幕捕获）

许可证

MIT