设计稿比对 sunxin-ai/dsh-design-qa

dsh-design-qa

让 DeepSeek Harness 里的纯文本模型能看图。

做这个是为了在 DSH 上实现产品设计这项能力：从设计稿写出实现、再自己判断实现得像不像、不像就修 —— 而 DeepSeek 写得了代码却看不见图，判定那一环做不了。本插件通过一个工具把多模态能力借给它，让它具备执行产品设计功能所需的那只眼睛。

- 任何纯文本模型都能读图。 不只是 DeepSeek —— 你在 DSH 里自己接的那些 OpenAI 兼容端点同样适用（实测过 OpenRouter 上的 z-ai/glm-5.2）。前提是该模型支持 tool calling：它得能自己调 deepseek_vision。官方多模态上线那天，本插件自动让位、可原样留着。
- 把识图做成一个 tool。 图片不进主模型上下文；它看到一行 [图片 …] 提示，需要时自己调 deepseek_vision。不看就不产生任何成本，问什么由模型自己决定。
- 附 eval 与原始输出。 4 组夹具、23 处注入缺陷、四条通过线 —— 回答的是「借来的这只眼够不够格当判定闭环里的裁判」，而不是「模型跑没跑通」。能看见 ≠ 可用于判定：看得见但不主动看、会编、不稳、说不清，四种失效各对应一条通过线。真值四组齐全、有像素级注入断言， 跑分脚本目前接通的是其中 landing 一组；基准那一节每个数字的逐格模型原文都在 eval/runs/，哪几项没有原文，也在那里标明。

三步装好

环境要求：一个已经能正常对话的 DSH —— 也就是工作区选好了、主模型的 key 配好了，
随便发一句能收到回复。npm 安装或源码运行都可以，Node ^22.19 || >=24（与 DSH 一致）。
macOS / Linux / Windows 通用，安装脚本是一份 Node 实现。

刚下载 DSH 还没配过的话先把这一步做完 —— 本插件只负责识图那条链路（BAILIAN_API_KEY），主模型的 key 是 DSH 自己的事。两者分开：主模型不通，粘图也不会有反应。

1. 拿一个百炼 API Key

去 阿里云百炼控制台 开通并创建 API-KEY。

新用户每款模型送 100 万输入 + 100 万输出 Token，有效期 90 天（官方说明）。
本插件一次识图约 2000 输入 + 400 输出 token，免费额度够看几百次图，日常用基本不花钱。

2. 装插件

dsh plugin --profile web add dsh-design-qa

也可以直接从 GitHub 装（拿到的是 main 上最新的，未必等于 npm 上那版）：
dsh plugin --profile web add github:sunxin-ai/dsh-design-qa

3. 补配套并重启

cd "${DSH_HOME:-$HOME/.dsh}/profiles/web/node_modules/dsh-design-qa"
export BAILIAN_API_KEY=<第 1 步拿到的 key>
node install.mjs --route-only
node install.mjs --restart # 冷启动。HMR 是关的，刷新浏览器不算

装好了。在对话框里粘一张图，直接问「这是啥」即可。

图片走粘贴或拖拽进对话框 —— DSH 的输入框没有单独的上传按钮，左下那个 + 是命令菜单不是附件入口，别去找。
也可以直接把图片的绝对路径或 http(s) 地址发给模型，让它自己调 deepseek_vision。

不需要告诉脚本 DSH 装在哪 —— 它从 profile 的 node_modules 自己解析出本体位置，
npm 装的和源码跑的都认。密钥也不经它的手，只写变量名 apiKeyEnv: BAILIAN_API_KEY。

第 3 步顺带改了 DSH 本体三处 —— 点开看改了什么、怎么还原

「在对话框里粘贴图片」这件事插件自己做不到：拦截在 api-proxy 的消息准入里，而 resolveModelInfo 直接返回适配器自述、没有 waterfall，插件改不了适配器硬编码的 inputModalities: ['text']。所以只能改本体，三处：

| 落点 | 改动 |
| dsh-host-apiproxy | 删掉纯文本路由的图片准入拒绝（一个 if 块） |
| dsh-llm-deepseek | 图片准入处不再抛错，改成把图片块换成一行 [图片 … attachment=<id>] 文字指针；声明了 image 的模型照走原生通路 |
| dsh-llm-pi-ai | 同上 —— 这条覆盖你自己接的所有 OpenAI 兼容纯文本端点 |

前两处只让 DeepSeek 路由能粘图；第三处才让「任何纯文本模型都能读图」成立。

改动前原文另存为 <原文件名>.dsh-design-qa-orig，一条命令还原：

node install.mjs --revert-patches

完全不想动本体就加 --no-patches。此时粘贴仍会被拒，但给文件路径、图片 URL 或者附件 id，让模型调 deepseek_vision 一样可用 —— 只是多贴一次路径。

细节见 patches/README.md。

让 DSH 自己装

不想手敲的话，把下面这段整体发给 DSH，它有 bash，会自己跑完：

装 dsh-design-qa，按这五步，不要自己发挥：

1. dsh plugin --profile web add dsh-design-qa
2. cd "${DSH_HOME:-$HOME/.dsh}/profiles/web/node_modules/dsh-design-qa"
3. export BAILIAN_API_KEY=<你的 key> # 用 export，下一条命令也要用到它
4. node install.mjs --route-only
5. node install.mjs --restart # 不要用 pkill，那会杀掉你自己

第 4 步会顺带改 DSH 本体三处（粘贴图片必须的），原文自动备份，
node install.mjs --revert-patches 可一键还原。把第 4 步的完整输出贴回给我。

「不要自己发挥」这句请保留。 三处最容易被自由发挥搞砸：

- 漏掉 --route-only —— 会写进一条与 bundle 重复的插件行，DSH 启动直接抛 duplicate loader entry id，整个 profile 起不来。脚本内置了防护会跳过，但不是所有 agent 都读得懂提示。
- 自己 pkill 重启 —— agent 通常就跑在那个要被重启的进程里，杀掉等于自杀，它拿不到结果也无法确认是否成功。--restart 立即返回，重启在它身后完成。
- 自己编一个 key —— 脚本不代经手密钥，自检会明确报缺少 BAILIAN_API_KEY，它应当回来向你要。

本体补丁没打成会以非零码退出；缺 key、路由没写这类则是自检里的黄色告警（退出码仍为 0）。
所以别只看退出码 —— 让它把输出原样贴回来，看最后那段自检有没有黄字。

DSH 的自修改工具（cordis_define / cordis_run）不能用来做持久安装 ——那套是内存态的：不产生插件文件、不改 cordis.yml、重启即消失。持久安装必须落到文件，所以走上面这条。

引擎为什么是 Qwen：它通过了基准测试

不是随手挑的。基准规范在 eval/。
下面两组数字来自两批实验、两组夹具，逐格原始输出都在 eval/runs/。

三模型横评 —— 6 个定向探针 × 4 种送检方式，跑在一组 mobile dashboard 夹具上。
那组夹具随附于 eval/runs/probe-mobile/，不是 evalset/ 里那 4 组 —— 拿 evalset/ 复现不出这张表：

| 模型 | 定向探针 | 难档（字重 800 vs 500） | 原始输出 |
| qwen3.8-max | 24/24 | 12/12 方向全对 | 逐格可查 |
| qwen3-vl-plus | 21/24 | 1/4 | ⚠️ 只留下聚合数字 |
| moonshot-v1-128k-vision | 18/24 | 8/15 ≈ 随机 | 逐格可查 |

零差异对照 —— 把设计稿和它自己配对，报出的任何差异都是幻觉。这是另一批实验，跑在 evalset/landing 上：qwen3.8-max 6/6 全报一致，0 条幻觉。 横评那组夹具测不出幻觉率（它的 v1 本身就不忠实，模型报的「差异」大多为真）， 因此横评表里另外两个模型没有这项数据。

qwen3.8-max 是唯一在难档上稳定的 —— 另外两家在字重方向上等同掷硬币，而方向错的判断比漏检更危险，它会让修复朝反方向走。

换成别的模型

默认值只是默认值。 插件对模型没有任何硬编码假设，换供应商只改两处：

1) $DSH_HOME/settings.yaml —— 加一条你自己的路由 llm-pi-ai: providers: my-vision: api: openai-completions baseURL: https://your-endpoint/v1 apiKeyEnv: MY_VISION_API_KEY models:
- id: your-model-id
input: [text, image] # ← 必须有，否则被门禁拒绝

2) profile 的 cordis.patch.yml —— 覆盖插件行的 config
- id: design-qa
config:
provider: my-vision
model: your-model-id

注意这里不能写 - insert:。 插件行已经由 bundle 层插好了，再 insert 一条同 id 的不是覆盖而是并存，DSH 启动时抛 duplicate loader entry id: design-qa。
上面这种「给出 id + 要改的字段」的写法才是按 id 覆盖。

唯一的硬性要求：那个模型必须真的支持多模态输入，且路由声明了 input: [text, image]。 这是「对端点的声明，不是对端点的检查」（上游 JSDoc 原话）——声明了但端点实际不收图，会在调用时被供应商拒绝，而不是在配置时报错。

换模型后建议用 eval/ 重跑一遍基准（只在 GitHub 仓库里，不随包分发），尤其看难档与零差异对照那两项： 能看见 ≠ 可用，一个召回高但幻觉多、或每次结论都漂移的模型会让判定循环发散。
这两项分属两组夹具：难档用 tilebench.py probe，跑 runs/probe-mobile/ 那组；零差异对照用 tilebench.py pairs，跑 evalset/landing。

工具

deepseek_vision(image_path, question)

看一张图并回答问题。image_path 三选一：

- 文件绝对路径
- http(s) 图片地址 —— 文档、网页里的图直接传 URL。走系统代理（HTTP_PROXY / HTTPS_PROXY / NO_PROXY），上限 20 MB，跟随重定向
- 上下文 [图片 …] 提示里的附件 id（attachment=<id> 或裸 id 都行）

调用方自己就是多模态模型时会被拒绝 —— 它直接看更准也更省，绕一手转述反而丢信息。
这同时是官方多模态上线时的自动让位机制：DeepSeek 声明 image 那天，本工具自己退出。

配置

| 字段 | 默认 | 说明 |
| provider | bailian | 识图路由名，须声明 input: [text, image] |
| model | qwen3.8-max | 识图模型 |
| maxTokens | 4000 | 单次识图输出上限 |
| reasoningEffort | off | 读数式提问不需要思维链 |

提问方式决定成败

以下是实测结论，不是风格偏好。完整版在 skills/design-qa/SKILL.md。

| 提问形式 | 零差异对照的幻觉 | 难档缺陷召回 |
| 「你自己找差异」 | 0/30 | 0/2 |
| 「这个方面有区别吗」 | 0/30 | 0/2 —— 判定题，模型默认答否 |
| 「哪个更大」 | 0/36 | 1/2 —— 留白类被系统性答反 3/3 |
| 「各自是多少」 | 0/12 | 2/2 |

同一个模型、同一批图，召回从 0/2 走到 2/2，幻觉全程为 0。换的只是问法。

这张表只有第二行可以复核。 评测脚本里只实现了一种问法 —— tilebench.py 的 FACETS，五个保真面统统以「有区别吗」结尾，正是第二行；它的 0/30 有逐格原文可查。第一行的开放式提问大致对应 cmd_pairs，但没有单独计过分；「哪个更大」「各自是多少」两行没有任何代码路径 ——没有提示词常量、没有命令、没有输出文件，0/36 与 0/12 这两个网格在脚本里也找不到对应。

这张表记录的是真实做过的事，方向可信，数字请打折扣。细节见 eval/README.md。

读数方向可信，量级不可信：字重真值 800/500 读作 800/700，间距 80/25 读作 72/38 ——被测侧总被拉向参照侧。用它判断「有没有差异、往哪个方向」，不要当测量值；实现侧的精确值用 getComputedStyle 或像素测量取得。

成本

图像 token ≈ 像素数 / 1024（实测 1023–1127 px/token，与长宽比无关）。

| | 均值 | 区间 |
| 单次判定 | 0.037 元 | 0.027 – 0.051 元 |
| 延迟 | 9.0s | 6.6 – 11.6s |

看一次图约 4 分钱。 单价按 12 元/百万输入、36 元/百万输出估算，上线前请在控制台核对。

它什么时候该退休

DeepSeek 官方声明 inputModalities 含 image 的那天。

届时不需要改任何东西 —— 让位在两层上各有一道：

- 运行时：deepseek_vision 查到调用方本身就能看图，自我拒绝并让模型直接看，图片走官方原生通路，绕一手反而丢信息。
- 安装期：install.mjs 会先读 llm-deepseek 声明的 inputModalities。
已经含 image 就拒绝再打那处补丁并说明原因 —— 上游支持之后，那处补丁会把模型本来看得见的图换成一行文字指针，从修复变成破坏。
判断按找到的每一份 DSH 分别做，机器上有多份时互不影响。

另外两处不设退休判据：api-proxy 的门禁对所有路由通用，只要还存在纯文本路由就需要； llm-pi-ai 那处本就按 model.input 动态放行，能看图的端点自然走原生通路。

插件可以原样留着，也可以直接卸载。

什么时候别用这个

只是想「随手看张图」——用 modlens 更省事，零配置、不改本体。

本插件的定位是设计稿保真度判定：要求每条结论可回溯到证据，因此不惜多配一条路由、多改三处本体，换取图片走原生通路、判定可回放。
如果你不需要这个保证，这些成本就是纯负担。

参考

install.mjs 的全部开关

node install.mjs [profile] # 完整安装（不走 dsh plugin add 时用这条）

| 开关 | 作用 |
| [profile] | 目标配置档，默认 web |
| --route-only | 不写插件行。用 dsh plugin add 装过就必须加，见下 |
| --no-patches | 不改 DSH 本体。粘贴图片将仍被拒绝 |
| --revert-patches | 还原本体补丁并退出 |
| --restart | 只冷启动，可从 dsh 自己的进程内部调用 |
| --force | 无视重启前的体检拦截 |

环境变量（都只在自动探测不成时才需要）：

| 变量 | 作用 |
| DSH_HOME | DSH 的家目录，默认 ~/.dsh |
| DSH_REPO | DSH 源码仓库根。只在本体自动定位不对时给 |
| DSH_PROCESS_PATTERN | 用来认出 dsh 进程的命令行片段 |
| DSH_CWD | dsh 的工作目录。Windows 上必须给 —— 那里既没有 /proc 也没有 lsof |
| DSH_RESTART_CMD | dsh 的完整启动命令 |

完整安装做六件事，全部幂等、改动前自动备份：软链 node_modules → 软链 skill → 写识图路由 → 写插件行 → 改本体三处 → 自检。

用 dsh plugin add 装过之后，--route-only 不能省

不加它会往 profile 的 cordis.patch.yml 再写一条同 id 的行，与 bundle 提供的那条撞车， DSH 启动时直接抛 duplicate loader entry id: design-qa，整个 profile 起不来 ——不是插件加载失败，是 dsh 根本启动不了。
（脚本已内置防护：检测到本包已作为 bundle 装入就会跳过写入。）

安装后必须冷启动

HMR 是关闭的，插件、skill、profile 补丁、本体改动都不热加载，刷新浏览器不算：

node install.mjs --restart

它从运行中的进程读出原本的启动命令与工作目录再拉起，不会丢掉你启动时带的 --patch 参数；并且立即返回 —— 所以跑在 dsh 里的 agent 也能安全调用（自己 pkill 会把自己一起杀掉）。

新进程继承调用方当前的环境。杀旧进程之前先做三项体检，任一不过就停手并保留旧进程（确认无妨可以 --force）：

- 实际要用的那个 node 不满足 DSH 的 ^22.19 || >=24；
- 旧进程持有、而当前 shell 没有的密钥类环境变量（例如只 export 在另一个终端里的 BAILIAN_API_KEY）—— 丢掉它会让插件「装好了却用不了」。只比对变量名，不读值；
- 读到的启动命令被切碎了。Linux 上取的是 /proc 里的精确 argv，不受影响；别的平台只拿得到用空格拼起来的命令行，参数里带空格时会切错 —— 此时用 DSH_RESTART_CMD 显式给出完整命令。

新进程的输出写到 $DSH_HOME/dsh-design-qa-restart.log。

Windows 上还需要显式给 DSH_CWD，否则读不到工作目录、会拒绝重启。

改插件源码

src/index.ts 改完要建到 lib/index.js（DSH 加载的是构建产物）：

npx tsdown --entry src/index.ts --format esm --out-dir lib --dts false --no-config

注意 install.mjs 第 1 步会把本目录的 node_modules 换成指向 profile 的软链，而 npm install 又会把它换回真目录 —— 两者互相拆台。所以构建工具建议用 npx 或装在别处，不要 npm install 到本目录。

识图路由长什么样

install.mjs 会写进 $DSH_HOME/settings.yaml；手工配的话：

llm-pi-ai:
providers:
bailian:
displayName: 阿里百炼 apiKeyEnv: BAILIAN_API_KEY # 只写变量名，密钥不落盘 api: openai-completions baseURL: https://dashscope.aliyuncs.com/compatible-mode/v1 compat: thinkingFormat: qwen # 不能省，见下 models:
- id: qwen3.8-max
input: [text, image] # ← 打开图像门禁的那一行
contextWindow: 262144
maxTokens: 8192
reasoningEfforts:
off:
high: high

input: [text, image] 会成为 LlmModel.inputModalities，DSH 的图像门禁查的正是它。

thinkingFormat: qwen 不能省。 不关思维时一次读数会产生 5000+ 字推理（1582 输出 token，关掉后只要 14），读数结果完全相同 —— 113 倍的无谓开销。

卸载

node install.mjs --revert-patches # 1. 先还原本体补丁
dsh plugin --profile web remove dsh-design-qa # 2. 插件行
rm -rf ~/.agents/skills/design-qa # 3. skill 软链（Windows 上可能是复制的目录）
4. 从 $DSH_HOME/settings.yaml 里删掉 llm-pi-ai.providers.bailian 整段

第 1 步不能漏，而且要放在最前面。 只留序列化那处改动的话，粘图后模型会被告知去调一个已经不存在的工具；插件先被摘掉的话，--revert-patches 也就跟着没了。

已知限制

- 本体改动不能自失效。 补丁是磁盘上的文件改动，而卸载插件只摘掉插件行、不会去重写那些文件。
所以卸载必须显式 --revert-patches，顺序见上面的卸载一节。
- 升级 DSH 会冲掉本体改动（文件被新版覆盖）。表现是「粘图又被拒了」，重跑一次 node install.mjs --route-only 即可。这也是有意的：新版 DSH 万一自己支持了图片，补丁不该悄悄留着。
升级后即使备份文件还在，--revert-patches 也只会清掉那份过期备份、不会把新版文件覆盖回旧内容。
- 按代码形态定位锚点，不按版本号。 上游改写了那三处时，脚本会报错并列出文件，而不是打半个补丁。两种形态都会被改到（源码运行的 src/*.ts、npm 安装的 lib/index.js）——无法可靠判断哪份是活的，宁可都改；源码仓库里因此会多出未跟踪的 .dsh-design-qa-orig 备份文件。
- 模型必须支持 tool calling。 整套机制是「模型看到指针 → 自己调工具」，不支持工具调用的纯文本模型只会看到一行 [图片 …] 而无法进一步。配路由前先确认端点支持 tools 参数。
- attachment=<id> 形式只在进程内有效：id → 路径的索引是内存态，重启后失效，需改用文件路径。
- 不支持多图对比：deepseek_vision 一次只看一张图。设计稿与实现的并排对比图，需要调用方自己拼。
- 私有文档的图取不到：飞书、Notion 这类需要登录态的图片，直接传 URL 会 401/403。
需先用对应技能下载到本地，再传路径。工具会在报错里指明这条路，但没有内建凭据通路。
- 自检是宽松匹配：settings.yaml 由 DSH 的设置写入器维护，并会规范化格式，因此自检只做模糊匹配 —— 它查的是「像不像配过」，不是「配得对不对」。