视觉读图工具 sjscy05/deepseek-harness-vision-plugin

vision-plugin

一个用于 DeepSeek Harness 的 scratch 插件：让纯文本的 DeepSeek 主模型通过视觉子模型阅读图片。代理调用 vision_read 工具，插件把图片和问题转发给配置好的视觉 API，再把视觉模型的回答以文本形式返回。

实现遵循 你的第一个插件 指南：一个 Cordis 函数插件，通过 ctx.tools.register 注册一个工具。

本仓库是插件源码：@deepseek-ai/ 依赖通过 deepseek-harness 仓库的 tsconfig paths 解析，因此使用时需要把本目录放进 deepseek-harness 检出目录中（默认位置是仓库根目录下的 vision-plugin/）。

工作原理

用户: "这张图里有什么？" → DeepSeek（纯文本主模型） └─ 调用 vision_read(image=..., question=...) └─ vision-plugin 解析图片（本地路径 / URL / data URI） └─ POST 到配置好的视觉 provider（OpenAI 兼容 / Anthropic / Gemini） └─ 以工具结果文本返回视觉模型的回答

Harness 内置的 read_image 工具（tool-fs）会把图片字节返回给支持图片输入的主模型；vision_read 刻意使用不同的名字，与它互补——它服务于 DeepSeek 这类纯文本主模型，把“看图”外包给视觉 API 并返回文本。

视觉子模型兼容性

视觉子模型由 config.provider 选择，内置六家主流厂商，切换只需改一行：

| provider | API | 默认模型 | 端点（可覆盖） | key 环境变量 |
| zhipu | OpenAI 兼容 chat/completions | glm-4v-flash（免费；glm-4v-plus 更强） | https://open.bigmodel.cn/api/paas/v4 | ZHIPU_API_KEY |
| qwen | OpenAI 兼容 chat/completions | qwen-vl-plus | https://dashscope.aliyuncs.com/compatible-mode/v1 | QWEN_API_KEY |
| doubao | OpenAI 兼容 chat/completions | doubao-1.5-vision-pro-32k-250115 | https://ark.cn-beijing.volces.com/api/v3 | ARK_API_KEY |
| openai | OpenAI 兼容 chat/completions | gpt-4o-mini | https://api.openai.com/v1 | OPENAI_API_KEY |
| anthropic | Anthropic Messages API（base64 image 块） | claude-sonnet-4-5 | https://api.anthropic.com | ANTHROPIC_API_KEY |
| gemini | Google Gemini generateContent（inline_data 部分） | gemini-2.0-flash | https://generativelanguage.googleapis.com/v1beta | GEMINI_API_KEY |

zhipu / qwen / doubao / openai 共用 OpenAI 兼容协议；任意 OpenAI 兼容网关（本地 vLLM/Ollama、Moonshot、Mistral、xAI 等）都可以通过 openai.baseUrl 接入——无需任何厂商 SDK。

加载插件

在 deepseek-harness 仓库根目录执行：

pnpm dsh --profile web --patch ./vision-plugin/cordis.yml

patch overlay 已把六个厂商的配置块全部预置，API key 一律不写在 cordis.yml 里，插件自动从仓库根目录的 .env 读取所选厂商对应的环境变量。.env 已被 gitignore，不会提交；cordis.yml 会随仓库公开，请勿把 key 写进去。

- insert:
- id: vision
路径必须为绝对路径；Windows 下必须使用 file:/// URL 形式（ESM loader 拒绝裸盘符路径）。
name: 'file:///D:/deepseek-harness/vision-plugin/src/index.ts'
config:
切换视觉厂商 = 改这一行 provider: zhipu zhipu: model: 'glm-4v-flash' qwen: model: 'qwen-vl-plus' ...其余厂商块同理，可删掉不用的

对应 .env 示例：

ZHIPU_API_KEY=你的智谱key
QWEN_API_KEY=...
ARK_API_KEY=...

所选厂商的配置块必须带有非空的 model，key 必须存在于 .env（或块内显式 apiKey: 覆盖）；缺失时插件加载会直接报出可操作的错误（绝不会静默回退）。

配置参考

| 键 | 类型 | 默认值 | 含义 |
| provider | openai \| zhipu \| qwen \| doubao \| anthropic \| gemini | openai | 服务 vision_read 调用的视觉厂商；切换只需改这一行 |
| .baseUrl | string | 各厂商默认端点 | API 端点基地址（任意 OpenAI 兼容网关可用 openai 块接入） |
| .apiKey | string | 厂商对应 env 变量 | 密钥；留空自动读 .env（如 ZHIPU_API_KEY），块内显式填写可覆盖 |
| .model | string | 必填 | 视觉模型 id |
| .maxTokens | number | 1024 | 生成 token 的上限 |
| timeoutMs | number | 60000 | 图片下载与 provider 调用的总超时（毫秒） |
| maxImageBytes | number | 10485760 | 解码后图片字节上限（10 MiB） |
| defaultQuestion | string | 详细描述提示词 | 调用未传 question 时使用的默认问题 |
| maxOutputChars | number | 20000 | 返回给主模型的回答文本上限 |

工具契约

vision_read(image, question?, model?) — UI 呈现意图为 generic（单次问答往返，无自定义卡片）。

- image（必填）：本地文件路径（绝对路径，或相对 harness 工作目录的路径）、http(s) URL（按同一超时预算下载）、或 data:image/...;base64,... URI。支持格式：PNG、JPEG、WebP、GIF。
- question：针对图片的具体问题——从用户请求或当前任务的需要出发，带上意图（如"What text is visible?"、"Describe the chart's trend"），而不是让视觉模型泛泛描述；只有确实需要完整描述时才省略。缺省使用配置的 defaultQuestion。
- model：单次调用的视觉模型覆盖。
- 返回：视觉模型的回答文本。

内置 skill：vision-read

插件在 skills 服务存在时自动注册 vision-read skill（无需额外安装，卸载插件即随之移除）。skill 指导主模型：

- 何时调用：用户的问题涉及图片（照片、截图、图表、扫描件、UI 草图）而主模型无法直接看图时
- 如何带意图提问：把当前任务真正需要知道的事情问出来，不依赖默认泛化描述；给出中英文示例
- 如何验证：把与任务相关的回答引用进回复；回答含糊时用更聚焦的问题再调一次；文字提取与来源对照确认

开发

pnpm -C vision-plugin typecheck # tsc 检查 src + scripts + tests
pnpm -C vision-plugin test # vitest，无需密钥（fetch 为 mock）

测试覆盖图片解析（data URI / 路径 / URL，字节上限）、三家 provider 的请求构建与响应解析、HTTP 错误与超时映射、工具端到端执行，以及进程内 Cordis 组合检查（apply 注册与注销工具）。

直连 API 冒烟测试

无需启动 harness，直接用真实视觉 API 验证插件的数据通路。在 deepseek-harness 检出目录内运行（插件依赖 harness 的依赖树解析 @deepseek-ai/，独立复制出来的目录没有这些依赖）；脚本会自动读取仓库根目录的 .env，所以只要 .env 里填了 key，什么都不用设：

cd D:\deepseek-harness
pnpm -C vision-plugin test:direct # 默认 zhipu / glm-4v-flash
$env:PROVIDER = 'qwen'; pnpm -C vision-plugin test:direct # 换厂商 $env:MODEL = 'glm-4v-plus'; pnpm -C vision-plugin test:direct # 换模型 $env:IMAGE = 'D:/xx/photo.png'; pnpm -C vision-plugin test:direct # 换图片（路径/URL/data URI）

已知限制

- 单次调用一张图片；主模型可多次调用该工具处理多张图片。
- 仅支持非流式响应——作为工具结果足够。
- 图片字节以 base64 内联进每次 provider 请求；不做缓存。
- 测试无需密钥且 mock 了 fetch；真实调用需要所选 provider 的有效 API key。

A scratch plugin for DeepSeek Harness that lets the text-only DeepSeek main model read images through a vision sub-model: the agent calls the vision_read tool, the plugin forwards the image plus a question to a configured vision API, and returns the vision model's answer as text.

Follows the Your first plugin guide: a Cordis function plugin registering one tool through ctx.tools.register.
这个仓库是插件源码；它通过 deepseek-harness 检出目录的 tsconfig paths 解析 @deepseek-ai/ 依赖，因此使用时需将该文件夹保留在 deepseek-harness 检出目录内（默认位置是仓库根目录下的 vision-plugin/）。

工作原理

user: "这张图里有什么？" → DeepSeek (text-only main model) └─ calls vision_read(image=..., question=...) └─ vision-plugin resolves the image (path / URL / data URI) └─ POSTs it to the configured vision provider (OpenAI-compatible / Anthropic / Gemini) └─ returns the vision model's answer as tool-result text

harness 已经内置了一个 read_image 工具（tool-fs），它会为具备图像能力的主模型返回图像字节；vision_read 有意使用不同的名称并与之互补——它通过将读取任务外包给视觉 API 并返回文本来服务于 DeepSeek 等纯文本主模型。

提供商兼容性

视觉子模型由 config.provider 选择——内置六家主流厂商，切换只需一行：

| provider | API | 默认模型 | 端点（可覆盖） | 密钥环境变量 |
| zhipu | OpenAI-compatible chat/completions | glm-4v-flash（免费；glm-4v-plus 更强） | https://open.bigmodel.cn/api/paas/v4 | ZHIPU_API_KEY |
| qwen | OpenAI-compatible chat/completions | qwen-vl-plus | https://dashscope.aliyuncs.com/compatible-mode/v1 | QWEN_API_KEY |
| doubao | OpenAI-compatible chat/completions | doubao-1.5-vision-pro-32k-250115 | https://ark.cn-beijing.volces.com/api/v3 | ARK_API_KEY |
| openai | OpenAI-compatible chat/completions | gpt-4o-mini | https://api.openai.com/v1 | OPENAI_API_KEY |
| anthropic | Anthropic Messages API（image base64 块） | claude-sonnet-4-5 | https://api.anthropic.com | ANTHROPIC_API_KEY |
| gemini | Google Gemini generateContent（inline_data 部分） | gemini-2.0-flash | https://generativelanguage.googleapis.com/v1beta | GEMINI_API_KEY |

zhipu / qwen / doubao / openai 共用 OpenAI 兼容协议；任何 OpenAI 兼容网关（本地 vLLM/Ollama、Moonshot、Mistral、xAI 等）都可以通过 openai 块的 baseUrl 接入——无需各厂商专用 SDK。

加载插件

在仓库根目录下执行：

pnpm dsh --profile web --patch ./vision-plugin/cordis.yml

该补丁覆盖层已预配置全部六个厂商块。API 密钥绝不会出现在 cordis.yml 中——插件会自动从仓库根目录的 .env（已被 gitignore）读取所选厂商的密钥。切勿将密钥写入 cordis.yml；该文件会随公开仓库一同发布。

- insert:
- id: vision
Must be absolute; on Windows use the file:/// URL form (the ESM
loader rejects bare drive-letter paths).
name: 'file:///D:/deepseek-harness/vision-plugin/src/index.ts'
config:
Switching vision vendors = change this one line
provider: zhipu
zhipu:
model: 'glm-4v-flash'
qwen:
model: 'qwen-vl-plus'
...其他块同理；删除你不使用的块

对应的 .env 示例：

ZHIPU_API_KEY=your-zhipu-key
QWEN_API_KEY=...
ARK_API_KEY=...

所选厂商的配置块必须带有非空的 model，且其密钥必须存在于 .env 中（或被配置块中显式的 apiKey: 覆盖）；配置缺失会导致插件加载失败，并给出可操作的错误信息（绝不静默回退）。

配置参考

| 键 | 类型 | 默认值 | 含义 |
| provider | openai \| zhipu \| qwen \| doubao \| anthropic \| gemini | openai | 为 vision_read 调用提供服务的视觉厂商；只需修改这一行即可切换 |
| .baseUrl | string | 各厂商默认值 | API 端点基础地址（可通过 openai 块接入任何 OpenAI 兼容网关） |
| .apiKey | string | 厂商环境变量 | 密钥；留空则从 .env 读取厂商的环境变量（例如 ZHIPU_API_KEY），显式设置则覆盖 |
| .model | string | 必填 | 视觉模型 id |
| .maxTokens | number | 1024 | 服务端生成 token 的上限 |
| timeoutMs | number | 60000 | 图片下载和厂商调用的墙钟时间预算 |
| maxImageBytes | number | 10485760 | 解码后图片字节数的上限（10 MiB） |
| defaultQuestion | string | 详细描述提示词 | 调用未提供 question 时使用的提问 |
| maxOutputChars | number | 20000 | 返回给主模型的回答文本上限 |

工具契约

vision_read(image, question?, model?) —— UI 渲染意图为 generic（单轮问答，无自定义卡片）。

- image（必填）：本地文件路径（绝对路径，或相对于 harness 工作目录的路径）、http(s) URL（使用相同的超时预算下载），或 data:image/...;base64,... URI。支持的格式：PNG、JPEG、WebP、GIF。
- question：关于图片的具体问题——根据用户请求或当前任务的需要来表述（例如“可见的文字是什么？”、“描述图表的趋势”），而不是泛泛的“描述一下这个”；只有在确实需要完整通用描述时才省略。默认为配置的 defaultQuestion。
- model：按调用覆盖视觉模型。
- 返回：视觉模型的回答文本。

内置技能：vision-read

当挂载了技能服务时，插件会自动注册 vision-read 技能（无需额外安装；卸载插件时随之消失）。该技能会教导主模型：

- 何时调用：用户请求涉及图片（照片、截图、示意图、图表、扫描件、UI 原型图），而当前模型没有图片输入能力。
- 如何带着意图提问：询问当前任务实际需要的内容，而不是退回到泛泛的描述——并附有双语示例。
- 如何验证：引用答案中与任务相关的部分；当答案含糊时，用更聚焦的问题重新调用；将提取的文本与图像来源进行交叉核对。

开发

pnpm -C vision-plugin typecheck # tsc over src + scripts + tests
pnpm -C vision-plugin test # vitest, keyless (fetch is mocked)

测试覆盖图像解析（data URI / 路径 / URL、字节预算）、三个提供商的线上请求与响应解析、HTTP 错误与超时映射、端到端工具执行，以及一项进程内 Cordis 组合检查，验证 apply 会注册和注销该工具。

直接 API 冒烟测试

无需启动测试框架，即可针对真实的视觉 API 验证插件的数据路径。在 deepseek-harness 检出目录内运行（该插件通过 harness 依赖树解析 @deepseek-ai/；独立副本没有此类依赖）。脚本会自行加载仓库根目录的 .env，因此一旦密钥写入 .env，就无需再做任何设置：

cd D:\deepseek-harness
pnpm -C vision-plugin test:direct # default: zhipu / glm-4v-flash
$env:PROVIDER = 'qwen'; pnpm -C vision-plugin test:direct # switch vendor
$env:MODEL = 'glm-4v-plus'; pnpm -C vision-plugin test:direct # switch model
$env:IMAGE = 'D:/xx/photo.png'; pnpm -C vision-plugin test:direct # other image (path / URL / data URI)

已知限制

- 每次调用仅支持一张图像；主模型可以针对多张图像反复调用该工具。
- 仅支持非流式响应——对于工具结果而言已足够。
- 图像字节会以 base64 形式内联到每个提供商请求中；不尝试进行缓存。
- 测试无需密钥并会模拟 fetch；实时调用需要所选提供商的有效 API 密钥。