视觉之眼 xlight/deepseek-visionary

img

DeepSeek Visionary

让 DeepSeek 网页版视觉模型，成为你所有 AI 助手的「眼睛」。 在 Zed、OpenCode、Codex、Claude Code、Cursor、Claude Desktop 等任意支持 MCP 的 agent，以及 DeepSeek Harness（DSH，原生插件或 skill + CLI）中直接识图——浏览器自动登录，无需 API key、无需手动复制 token。

Python 版 deepseek-vision-mcp 的 Rust 全量重写：单原生二进制、多平台分发，一处安装处处可用。DSH 用户更可 dsh plugin 一键安装原生插件包 @xlight-oss/visionary-dsh——5 个原生工具 + 文本模型图片桥接，一包全齐。

架构

graph TD
subgraph 宿主[任意 MCP 宿主]
AG["Zed / OpenCode / Codex / Claude Code / Cursor / Claude Desktop"]
AG -->|spawn 独立进程| SRV
end
subgraph DSH[DeepSeek Harness]
DP["@xlight-oss/visionary-dsh 插件deepseek_vision 等 5 个原生工具+ 文本模型图片桥接"]
DP -->|宿主进程 spawn| SRV
end
subgraph visionary-server 原生二进制
SRV["CLI + MCP stdio 服务vision / ocr / status / login / logout / skill / init / doctormcp-stdio CLI"]
CFG["~/.deepseek-visionary/config.jsontoken + smidV2 + cf_clearance + 会话"]
SRV --> CFG
end
SRV -->|HTTPS| DS["DeepSeek 网页后端"]
SRV -->|CDP 启动 + 监听| BRO["Chrome 系浏览器仅登录时出现"]

- visionary-server：单二进制，默认 CLI 模式（vision / ocr / status / login / logout / skill / init / doctor），mcp-stdio 子命令显式启动 MCP stdio 服务；实现完整 vision / OCR 流水线（PoW → 上传 → fork → HIF 签名 → SSE 流式 completion）与 CDP 自动登录
- @xlight-oss/visionary-dsh：DSH 原生插件包（npm，纯 ESM 无构建，单包双插件行），经 ctx.tools 注册 deepseek_vision / deepseek_ocr 等 5 个原生工具，宿主进程内 spawn visionary-server 复用 Rust 管道（续聊/登录不受 bash 沙箱限制）；内置文本模型图片桥接（纯文本模型会话粘贴图片自动放行 + 改写为文本引导）
- visionary-zed-ext：Zed 扩展壳（仅 Zed 需要），按平台从 GitHub Releases 下载/缓存 visionary-server 并启动

安装

1. 安装二进制

macOS / Linux 一键脚本
curl -LsSf https://github.com/xlight/deepseek-visionary/releases/latest/download/visionary-server-installer.sh | sh

Windows（PowerShell 一键，自动绕过执行策略） powershell -NoProfile -ExecutionPolicy Bypass -Command "irm https://github.com/xlight/deepseek-visionary/releases/latest/download/visionary-server-installer.ps1 | iex"

或 Homebrew
brew install xlight/tap/visionary-server

或 npm（全平台）
npm install -g @xlight-oss/visionary-server

也可以直接从 GitHub Releases 下载对应平台的 visionary-server-<target-triple> 裸二进制加入 PATH（Windows 为 .exe，或 .zip 解压）。
Windows 安装脚本默认装到 $HOME\.cargo\bin 并自动写入 PATH（加 -NoModifyPath 可跳过）；该目录只是 cargo-dist 的默认命名约定，不要求安装 cargo——非 Rust 用户可用 VISIONARY_SERVER_INSTALL_DIR 环境变量自定义安装目录，或直接用 npm 全局包。首次运行若遇 SmartScreen 弹窗，点「更多信息 → 仍要运行」即可。
npm 全局包注意：Windows 上 npm install -g @xlight-oss/visionary-server 的 PATH 里只有 shim（.cmd / .ps1），DSH 原生插件会自动解析 shim 定位真实 exe——安装后重启 DSH 即可用。

2. 快速开始（CLI + skill，推荐）

CLI 是零配置入口：安装后即可直接在终端 / 脚本 / AI agent 中调用 vision 识图，无需任何 MCP 配置。首次使用先登录：

浏览器自动登录（后续无需重复） visionary-server login

识图（agent/脚本调用务必加 --json 原子输出） visionary-server vision screenshot.png visionary-server vision img.png --json --prompt "图中有什么？" --thinking 给 AI 智能体使用时，把内嵌的调用契约技能装进智能体的 skills 目录，智能体即学会以 --json 原子输出正确调用： bash

skill 内嵌于二进制，一条命令安装/更新

visionary-server skill install

→ 写入 ~/.agents/skills/visionary-cli/SKILL.md

可将该目录移动到所用 agent 的默认 skills 目录

3. 进阶：接入 MCP 宿主

需要把 deepseek_vision 作为 MCP 工具暴露给宿主（Zed / OpenCode / Codex / Claude Code / Cursor / Claude Desktop）时，用 init 一键接入： bash

一键检测并接入（列出已安装 agent）

visionary-server init

接入指定 agent

visionary-server init opencode
visionary-server init codex
visionary-server init claude
visionary-server init cursor
visionary-server init claude-desktop
visionary-server init dsh # DeepSeek Harness（skill + CLI 轻量接入）

批量接入多个 agent（免交互）

visionary-server init --opencode --codex --dsh --yes

先预览将写入的配置（不落盘）

visionary-server init opencode --dry-run

各 agent 的详细接入文档见 docs/integrations/：

| Agent | 文档 | 一键命令 |
| Zed | zed.md | 扩展市场安装（见下） |
| OpenCode | opencode.md | visionary-server init opencode |
| Codex | codex.md | visionary-server init codex |
| Claude Code | claude-code.md | visionary-server init claude |
| Cursor | cursor.md | visionary-server init cursor |
| Claude Desktop | claude-desktop.md | visionary-server init claude-desktop |
| DeepSeek Harness | deepseek-harness.md | 原生插件 dsh plugin --profile web add @xlight-oss/visionary-dsh（推荐）或 visionary-server init dsh（skill + CLI 轻量接入） |

DeepSeek Harness 原生插件：DSH 用户还可安装 npm 插件包 @xlight-oss/visionary-dsh，把 deepseek_vision / deepseek_ocr / deepseek_vision_status / deepseek_vision_login / deepseek_vision_logout 注册为 DSH 原生工具（结构化 schema、宿主级执行，续聊/登录不受 bash 沙箱限制），安装详见 packages/dsh-plugin/README.md。

新兴通道：Microsoft Agent Package Manager 用户可直接 apm install --mcp io.github.xlight/deepseek-visionary（复用 MCP Registry 标识）。

4. DeepSeek Harness 原生插件（DSH 用户推荐）

DSH 用户除 init dsh（skill + CLI）外，更推荐安装原生插件，获得宿主级权限与结构化工具 schema： bash

前置：安装二进制（见上文）并确保能被插件找到

（Config.binaryPath → DEEPSEEK_VISIONARY_BIN → PATH 任一即可）

一键安装（npm 包，发布后）

dsh plugin --profile web add @xlight-oss/visionary-dsh

或本地路径（开发验证）

dsh plugin --profile web add /path/to/packages/dsh-plugin

dsh plugin 经包内 dsh.bundle.patch 声明自动注册 visionary-vision、visionary-image-bridge 两个插件行，重启 DSH 后 5 个原生工具出现在工具目录，桥接同时生效（模型可直接调用，无需手写任何配置）；两行的配置页由包自身 dsh.client 声明、随主行下发，在 设置 → 插件 → Plugins 打开（不额外占插件行）。验证：dsh --profile web --dump-config 应出现单个 @xlight-oss/visionary-dsh 层。要求 DSH ≥ 0.1.7-rc.1（0.1.5 线请固定 @xlight-oss/visionary-dsh@0.7.3，更早的装 0.7.2）。详见 packages/dsh-plugin/README.md。

文本模型下粘贴图片被拒绝？ 本插件已内置图片桥接（visionary-image-bridge 插件行，无需额外安装）：纯文本模型会话中粘贴的图片经桥接放行 → 落盘 → 改写为文本引导，智能体用 deepseek_vision 完成分析，模型只收到文本；VL 模型原生看图不受干扰。
配置与隐私说明见 packages/dsh-plugin/README.md 的「工具」与「图片桥接」两节（设置面板 设置 → 插件 → Plugins 下有两个行配置页，对应 visionary-vision: / visionary-image-bridge: settings 命名空间，支持热重载）。

5. 登录

登录凭据保存在 ~/.deepseek-visionary/config.json，CLI / MCP / DSH 插件三路共享；浏览器自动登录会打开窗口并导航到 chat.deepseek.com，登录后自动抓取 token 并保存：

- CLI：visionary-server login（可先跑 status --json 预检）
- MCP / DSH 原生工具：调用 deepseek_vision_login

手动兜底：登录 chat.deepseek.com 后，打开 DevTools → Application → Local Storage → userToken → 复制 JSON.parse(value).value，写入 ~/.deepseek-visionary/config.json：

json
{ "user_token": "你的 token" }

6. 使用

- CLI：visionary-server vision <image> 识图（详见下文「CLI 工具」）
- MCP / DSH 原生工具：调用 deepseek_vision，传入图片路径 / base64 / data URI 即可识图

Zed 扩展安装

如果你只用 Zed，也可以直接从扩展市场安装：

1. Zed 命令面板（Cmd+Shift+P）→ zed: extensions → 搜索 DeepSeek Visionary → Install
2. 扩展壳自动下载并缓存 visionary-server 二进制，然后启动 MCP 服务
3. 授权工具权限（见 docs/integrations/zed.md）

CLI 工具

| 命令 | 说明 |
| visionary-server（无参数） | 输出 help 用法信息，退出码 2（不进入任何模式） |
| visionary-server --version | 输出版本号 |
| visionary-server mcp-stdio | 显式启动 MCP stdio 服务（MCP 模式入口，所有 agent 配置均以此启动） |
| visionary-server vision <image>... | 用视觉模型分析一张或多张图片（CLI 版 deepseek_vision）。image 支持路径 / base64 / data URI / -（stdin，仅单图）；多图一次上传联合分析（与网页端多图行为一致）；--prompt / --thinking / --continue-conversation / --session-id / --json / --stream / --no-stream / --model-type（vision 或 ocr，默认 vision） |
| visionary-server ocr <image>... | 用纯 OCR 管道原样提取图片中的文字（CLI 版 deepseek_ocr，等价 vision --model-type ocr）。参数面对齐 vision（无 --model-type，恒为 ocr）；默认提示词为文字提取语义；无文字图片输出业务提示并退出非零 |
| visionary-server status | 轻量鉴权状态检查（CLI 版 deepseek_vision_status），--json 输出结构化状态 |
| visionary-server login | 浏览器自动登录（CLI 版 deepseek_vision_login） |
| visionary-server logout | 清除保存的凭据（CLI 版 deepseek_vision_logout） |
| visionary-server skill install | 安装 agent 调用契约 skill 到 ~/.agents/skills/（内嵌于二进制） |
| visionary-server doctor | 诊断环境：config 路径与权限、浏览器、token 有效性、平台 |
| visionary-server init [agent] | 检测并接入已安装的 AI agent（--dry-run / --yes / 多选 flags，含 dsh） |

CLI 输出模式（vision）

vision 的输出模式由 stdout 是否 TTY 与显式开关共同决定：

| 场景 | 默认行为 | 消费方 |
| 终端（TTY） | 流式打印回答文本 | 人 |
| 管道/脚本（非 TTY） | 一次性输出完整文本 | 脚本兜底 |
| visionary-server vision img.png --json | 原子 JSON：{"text", "session_id", "parent_message_id"}（失败为 {"error"}） | 脚本 / AI agent（推荐） |

--stream / --no-stream 可强制指定模式；--json 恒为原子输出（不与 --stream 同用）。失败时退出码非零。
bash

终端交互：流式输出

visionary-server vision screenshot.png

脚本/agent：结构化输出

visionary-server vision img.png --json --prompt "图中有什么？"

管道输入

cat img.png | visionary-server vision - --json

AI agent 使用（CLI + Skill） CLI 也是 AI 智能体的零 MCP 配置工具面：只要 visionary-server 在 PATH 里，任何能执行 shell 的智能体都可以调用它。二进制内嵌智能体调用契约 SKILL.md（随安装具备），核心约定：智能体调用 vision 必须加 --json 原子输出（流式文本没有结构化边界，无法可靠解析）。

安装技能到智能体技能目录（以 Zed 为例）： bash

skill 内嵌于二进制，无需本地仓库，一条命令安装/更新

visionary-server skill install

→ 写入 ~/.agents/skills/visionary-cli/SKILL.md

DeepSeek Harness（DSH）：DSH 默认扫描 ~/.agents/skills 与 ~/.dsh/skills 作为技能根，上述位置天然兼容；运行 visionary-server init dsh 会额外写入 DSH 专属技能根并汇总提示（见 deepseek-harness.md）。DSH 用户更推荐安装原生插件 @xlight-oss/visionary-dsh（dsh plugin --profile web add），把 deepseek_vision 等注册为宿主级原生工具，续聊/登录不受 bash 沙箱限制（见 packages/dsh-plugin/README.md）。

工具面（MCP / DSH 原生）

同一组工具既以 MCP 工具暴露给 MCP 宿主，也以 DSH 原生工具注册给 DeepSeek Harness（命名与 schema 一致）：

| 工具 | 说明 |
| deepseek_vision | 上传一张或多张图片（路径 / base64 / data URI）并用 DeepSeek 视觉模型分析；多图经 images 数组一次上传、模型联合分析（与网页端多图行为一致）。参数：images（多图）/ image（单图，向后兼容，二选一）、prompt、thinking、continue_conversation、session_id |
| deepseek_ocr | 用纯 OCR 管道原样提取图片中的文字（等价 CLI visionary-server ocr）。定位于文字提取而非理解：截图 / 文档 / 代码 / 表格 / 标识。参数面与 deepseek_vision 完全一致；图片无文字时以错误提示返回「图片中未提取到文字」 |
| deepseek_vision_status | 检查登录状态与 token 有效性（含真实校验探针） |
| deepseek_vision_login | 浏览器自动登录并抓取凭据（阻塞，超时可配） |
| deepseek_vision_logout | 清除保存的凭据 |

质量提示：OCR 结果来自服务端文本提取管道，对清晰截图/文档效果好；放大模糊、手写或复杂版式时结果可能不完整。需要结合上下文理解内容（翻译、总结版式）时用 deepseek_vision，deepseek_ocr 只负责拿原文。

会话续聊

deepseek_vision（及 deepseek_ocr）支持多轮对话：

- continue_conversation=true：复用上一次会话，可对比多张图片
- session_id：显式切换到指定会话线程

会话状态持久化在 ~/.deepseek-visionary/session.json。

环境变量

| 变量 | 说明 |
| DEEPSEEK_USER_TOKEN | 覆盖 config.json 中的 token（可选） |
| DEEPSEEK_SMIDV2 / DEEPSEEK_CF_CLEARANCE | 覆盖对应 cookie（可选） |
| DEEPSEEK_BASE_URL | API 基地址（默认 https://chat.deepseek.com） |
| DEEPSEEK_LOGIN_TIMEOUT | 登录等待超时秒数（默认 600） |
| DEEPSEEK_VISIONARY_MODEL_TYPE | 默认上传管道模型类型（vision 或 ocr，默认 vision；CLI --model-type 优先于该变量） |
| DEEPSEEK_VISIONARY_BIN | DSH 插件解析二进制路径（Config.binaryPath → 此变量 → PATH） |

开发 bash

构建原生服务

cargo build -p visionary-server --release

构建扩展壳（wasm32-wasip2）

rustup target add wasm32-wasip2
cargo build -p visionary-zed-ext --release --target wasm32-wasip2

测试

cargo test -p visionary-server

DSH 插件包（纯 ESM，无构建；开发需装 devDependencies 供本地 link 安装解析 peer）

cd packages/dsh-plugin && pnpm install

发布

版本号由 scripts/bump_version.py 统一管理（同步 Cargo.toml / Cargo.lock×2 / extension.toml / packages/dsh-plugin/package.json / packages/dsh-plugin/lib/index.mjs 的 COMPAT_MINOR / server.json 共 7 个版本条目并校验一致性）： bash

只 bump + 校验 + 打印步骤

python3 scripts/bump_version.py <new-version>

一键发布：bump + commit + tag vX.Y.Z + push

（tag push 触发 cargo-dist 二进制发布 / Zed 扩展同步 / npm 发布三个 workflow）

python3 scripts/bump_version.py <new-version> --release
发布完成后，update-server-json workflow（workflow_run 监听 Release 成功）自动下载 5 平台 .mcpb、运行 scripts/update_server_json.py 并把 server.json 的 fileSha256 回填为实际产物哈希（MCP Registry 元数据，commit 回 main）。
若该 workflow 未触发（如手动建 release），可手动兜底： bash gh release download v<version> --pattern ".mcpb" --dir dist --clobber
python3 scripts/update_server_json.py <version> v<version> dist/

平台支持

- macOS（Apple Silicon / Intel）
- Linux（x86_64 / aarch64）
- Windows（x86_64）

需要 Chrome / Chromium / Edge 之一用于自动登录。

工作原理（要点）

- PoW：wasmtime 加载 DeepSeek 站内 sha3_wasm_bg..wasm（随仓库分发），调用 wasm_solve 求解 upload_file 与 completion 的 challenge
- TLS 指纹：completion 端点与 Python 版（curl_cffi chrome131）对齐；Rust 侧默认普通 reqwest，若被 403 再启用指纹模拟（见 design.md spike 记录）
- 登录：CDP 控制 Chrome 系浏览器（专用 profile ~/.deepseek-visionary/browser/），读取 localStorage.userToken 与 smidV2 / cf_clearance cookie
- 凭据安全：~/.deepseek-visionary/config.json 权限 0600，浏览器 profile 0700

License

MIT