图片理解插件 rison114514/dsh-image-understanding

dsh-image-understanding

让 deepseek-harness (dsh) 里的纯文本模型（如 DeepSeek）也能“看见”你上传的图片 —— 自动调用阿里云百炼 qwen-vl 把图片转成文字描述再喂给模型，全程对模型透明，无需切换多模态模型。

配套说明：本插件是 deepseek-vision（WorkBuddy 钩子版）在 deepseek-harness 上的原生插件重写版。两者核心差别见文末「与 deepseek-vision 的差别」。

原理（两道闸都堵上）

deepseek-harness 对纯文本模型有两道图片拦截：

1. Gate 1 — 提交校验：apiproxy 在消息含图时查模型 inputModalities，DeepSeek 是 ['text']，直接报错“当前模型不支持图片”。
2. Gate 2 — 序列化校验：serialize.ts 的 assertTextOnly 对 image block 无条件拒绝。

本插件在插件层同时解决，不碰 harness 源码：

- 包装 ctx.llm.resolveModelInfo，让 deepseek 系纯文本模型“声称”支持 image，骗过 Gate 1；
- 在 agent/pre-step seam（serialize 之前）把 ImageBlock 经 attachments.readImage() 取字节 → 百炼 qwen-vl 识别 → 替换为 【图片识别】… 文本块，DeepSeek 全程只见纯文本（Gate 2）；
- 仅模拟 deepseek 系纯文本模型；真·视觉模型原样透传，不被二次转换。

另外注册了一个显式 tool image_understanding，可手动按图片路径或 data URL 调用。

前置条件

- 已本地安装并构建 deepseek-harness（能跑 pnpm dsh web）
- 一个阿里云百炼 API Key（OpenAI 兼容模式，申请：https://bailian.console.aliyun.com/ ）

安装

一行安装（从 GitHub 以 DSH bundle 形式装入指定 profile）
dsh plugin --profile web add github:rison114514/dsh-image-understanding

装好后启动 web：dsh web（或 pnpm dsh web）。

使用

开 新会话 → 选择 DeepSeek 主模型 → 直接拖入 / 上传图片并输入“描述这张图” → 预期：

- 不再弹出“当前模型不支持图片”
- 图片被 qwen-vl 自动识别为文字描述并回填，DeepSeek 据此作答

也可在对话中显式调用 image_understanding 工具，传入图片本地绝对路径（或 data URL）做按需识别。

配置项（Web UI：设置 → 插件 → 插件配置 → image-understanding）

启动后在网页端「设置」→「插件」→「插件配置」里找到 image-understanding 卡片，按需填写并保存（改动即时生效，无需重启）：

| 字段 | 说明 | 默认 |
| api_key | 阿里云百炼 API Key（sk-...），必填；页面以只写输入框呈现，明文不会回传 | — |
| model | 视觉模型 ID | qwen3-vl-flash |
| base_url | OpenAI 兼容接口地址 | https://dashscope.aliyuncs.com/compatible-mode/v1 |
| timeout | 单次调用超时（秒） | 20 |

想直接改文件也行：对应 $DSH_HOME/settings.yaml 里的 image-understanding: 小节，字段同上。

与 deepseek-vision 的差别

| 维度 | deepseek-vision（旧） | dsh-image-understanding（本插件） |
| 宿主 | WorkBuddy，靠 UserPromptSubmit 钩子外部进程 | deepseek-harness，cordis 原生插件 |
| 图片获取 | 钩子读 stdin 的 transcript_path jsonl 取真实路径 | 直接用 harness 内部 attachments.readImage() 取字节 |
| 注入方式 | 识别结果写 additionalContext 注入 | pre-step 改写消息 + resolveModelInfo 包装骗过能力校验 |
| 安装 | install.sh 改 settings.json 后重启 | pnpm dsh web --patch cordis.patch.yml 热加载 |
| 额外能力 | 支持 SVG（Chrome headless 渲染） | 多注册了显式 image_understanding tool，支持图片路径 / data URL 按需识别 |

一句话核心差别：旧版是“在 WorkBuddy 外部挂一个钩子进程去拦截消息”，新版是“在 deepseek-harness 内部作为原生插件、从消息序列化之前就接管图片”——更内聚、无外部进程依赖、不依赖解析 stdin 的隐式字段。

已知限制

- 仅对 deepseek 系纯文本模型自动生效；其他模型需本身支持图片或不会被模拟。
- 单图识别失败会降级为 【图片识别失败】… 文本，不阻断对话。
- 拖放 / 上传图片受 harness 附件通道限制，仅支持 jpg/png/webp/gif；SVG、PDF 等非常规格式暂未做预处理。