像素视觉推理插件 zouyuanqing/dsh-vision-primitives

dsh-vision-primitives

DeepSeek Harness(DSH)的原生交互式视觉推理插件。

给纯文本智能体装上“精确的眼睛”:以 Set-of-Mark 编号网格 + 确定性像素坐标数学 为核心,让 Harness 智能体对屏幕/图片做精确到像素的视觉交互推理 —— 全程零外部 MCP 服务器,视觉推理内核 100% 在 DSH Host 运行时内以纯 JS 执行。

设计灵感来自 vision-primitives-mcp,重新实现为 原生 DSH 插件(官方 profile bundle:host 半部分 + WebUI client 半部分)。

特性

| 🧠 智能体即视觉模型 | 插件产出图片路径 + 确定性坐标数学;Harness 多模态智能体(或内置 MiMo 后端)看图决策,插件把“模糊感知”换算成“精确像素” |
| 🎯 SOM 编号网格 | vision_grid 叠加编号网格 → vision_resolve(cell) 得格子中心精确坐标,消除视觉模型坐标误差 |
| 🔍 局部无损放大 | vision_zoom 最近邻放大(像素级保真),保留到原帧的坐标映射链 |
| 📐 几何验证 | vision_annotate / vision_measure / vision_diff / vision_find_color / vision_ocr 确定性验证 |
| 🖥️ MiMo V2.5 后端 | vision_describe / vision_locate(多模态理解 + 视觉定位),并注册 mimo 模型路由(LlmAdapter,流式/函数调用/图像输入全支持) |
| 📋 聊天框贴图(paste-to-path) | 纯文本模型下聊天框粘贴图片 → 自动转为“文件路径 + 视觉证据”文本注入(社区 paste-to-path 方案原生实现,默认关闭);视觉模型保持原生图片附件不受影响 |
| 🔁 发送时图片桥接 | 默认开启:纯文本模型也能粘贴/拖动图片(原生缩略图,无“模型不支持图片”报错);发送时图片缓存为工作区文件,以 [Attached image: 路径] 文本交给模型,模型可按需 read_image / vision_analyze —— 灵感来自社区 dsh-image-to-text 与 pi2dsh |
| 🧾 视觉证据协议(VEP) | vision_analyze:VLM 先思考(草稿默认丢弃)→ 结构化输出 caption(语义描述)+ layout(布局)+ elements(元素列表,带归一化/像素 box + SOM 格子编号 + 屏幕坐标),把 VLM 模糊感知桥接到确定性像素数学 |
| 🧱 最小 OS 边界 | 仅截屏 / OCR / 二进制落盘 3 类走 Host 原生 subprocess 服务调用 Windows PowerShell 系统脚本;不含桌面键鼠控制 |
| 🔒 零硬编码密钥 | MiMo API key 从 DSH credentials 惰性读取,不写入源码 |

安装(官方 profile bundle 方式)

纯 JS 包,无 build 脚本,无需 pnpm allowBuilds 许可:

dsh plugin --profile add github:zouyuanqing/dsh-vision-primitives

然后启动 DSH 即可;插件注册 vision_ 工具集到当前会话。

也支持 github:zouyuanqing/dsh-vision-primitives# 固定版本安装。
该包同时是一个 npm 包(dsh-vision-primitives),dsh plugin add dsh-vision-primitives 也可。

配置 MiMo 后端(可选)

vision_describe / vision_locate 与 mimo 模型路由需要 MiMo API key:

dsh credentials set MIMO_API_KEY

模型:mimo-v2.5(Xiaomi 官方 API,OpenAI 兼容,1M 上下文,全模态理解)。未配置 key 时,相关工具会给出明确报错提示;纯本地视觉原语(网格/缩放/标注/测量/差分/颜色/OCR)不需要任何 key。

工具集

| 工具 | 功能 |
| vision_capture | 截屏(全屏/区域,多显示器合并)或读取工作区 PNG → 会话帧 |
| vision_grid | Set-of-Mark 编号网格叠加,返回带编号图片 + 每格精确 box/center |
| vision_resolve | 格子/框/点 → 帧内精确像素坐标 + 绝对屏幕坐标,记为定位锚点 |
| vision_zoom | 局部无损放大(最近邻,像素级保真),保留到原帧的坐标映射链 |
| vision_annotate | box/point/cross/line/text 标注绘制(视觉验证) |
| vision_measure | 两点距离/位移/夹角,或框面积 |
| vision_diff | 帧差分(确定性变化检测):变化像素 bbox/比例 + 高亮图 |
| vision_find_color | 颜色分割 + 连通域(CV 像素级定位,零视觉模型) |
| vision_ocr | Windows 原生 OCR,返回词的文本框与帧/屏幕坐标(文本锚定) |
| vision_describe | MiMo 描述当前帧(多模态理解,需 API key) |
| vision_locate | MiMo 视觉定位,返回包围盒,自动反算原帧/屏幕坐标(需 API key) |
| vision_analyze | 视觉证据协议:结构化输出 caption/layout/elements(归一化+像素 box、SOM 格子编号、屏幕坐标),网格写入会话可直接 vision_resolve(cell=N) |
| vision_state / vision_reset | 会话状态查看 / 清空 |

配置(WebUI + CLI)

插件注册 vision-primitives 配置项,在 设置 → 插件配置 页出现 "Vision Primitives" 卡片,可配置:

| 配置项 | 默认值 | 说明 |
| apiKey | 空 | MiMo API key(secret,经 credentials 域保存,不回显) |
| baseUrl | https://api.xiaomimimo.com/v1 | MiMo OpenAI 兼容端点 |
| model | mimo-v2.5 | 模型名 |
| timeoutMs | 300000 | 单次调用超时 |
| pasteToPath | false | 纯文本模型下聊天框贴图接管(路径+摘要文本,默认关闭) |
| autoDescribe | false | 粘贴图片自动生成 MiMo 内容摘要(默认关闭) |
| sendTimeConvert | true | 发送时图片桥接:图片缓存为工作区文件,以 [Attached image: 路径] 文本交给纯文本模型 |

也可用 CLI / 行配置:

CLI 设置 API key(等价于 WebUI 卡片)
dsh credentials set MIMO_API_KEY

插件行 config(cordis.patch.yml)作为配置 base 层:

- insert:
- id: vision-primitives
name: dsh-vision-primitives
config:
baseUrl: https://api.xiaomimimo.com/v1
model: mimo-v2.5
timeoutMs: 300000

解析优先级:WebUI 用户设置 > 行配置 > 默认值;apiKey 先查设置再查 credentials。未配置 key 时,相关工具会给出明确报错提示;纯本地视觉原语(网格/缩放/标注/测量/差分/颜色/OCR)不需要任何 key。

聊天框图片输入(三种模式)

1. 视觉模型原生贴图:会话模型切到 MiMo V2.5(支持 image 输入)后,聊天框可直接粘贴图片作为消息附件,直发模型 —— 插件注册的 mimo 模型路由即为此服务
2. 纯文本模型发送时桥接(默认):使用 deepseek 等纯文本模型时,粘贴/拖动图片照常显示缩略图、不再报"模型不支持图片";点发送后,图片自动缓存到工作区(.vispri/incoming-.png),模型请求中图片被替换为: [Attached image: C:\Users\\.vispri\incoming-xxx.png] 图片已缓存到该路径。…

主模型拿到地址后,可自主调用 read_image 查看文件、vision_analyze(path) 获取结构化视觉证据(语义描述+元素格子定位)。零发送延迟、无自动分析
3. 纯文本模型 paste-to-path(默认关闭):粘贴即接管,插入"路径 + MiMo 摘要"文本(体验激进,可在 WebUI 卡片开启 pasteToPath)

视觉证据协议(VEP)

纯文本模型"看懂图片"的统一协议(工具 vision_analyze + 贴图引擎共用):

图片 → MiMo 内部思考(reasoning 草稿, 默认丢弃, includeReasoning 可选) → 结构化输出: caption(2-4 句语义) + layout(布局) + elements[] → 确定性后处理: box_norm(0-1000) → 像素 box / 中心点 / SOM 4×4 格子编号 (网格写入会话, vision_resolve(cell=N) 直接可解析)

元素输出示例: { label: "登录按钮", text: "登录", confidence: 0.92, box: [x1,y1,x2,y2], box_norm: [...], center: [...], grid_cell: 7, screen_center: [...] }

典型工作流(交互式图形推理协议)

vision_capture(screen|file) → vision_grid → read_image 选格
→ vision_resolve(cell) 得精确坐标 → vision_zoom 局部放大精修 → vision_annotate / vision_measure / vision_ocr / vision_find_color 验证 → vision_capture + vision_diff 变化检测

原生内核(纯 JS,已验证)

- inflate(RFC1951 全块类型:stored/fixed/dynamic)+ zlib 包装 —— 经 Node zlib 差分对拍 7/7 样本通过
- PNG 编解码(RGBA/灰度/调色板,8/16bit,5 种滤波器;编码用 stored-deflate)—— 2560×1600 真实截屏解码 ~60ms,编码回环逐字节一致
- CRC32/Adler32、最近邻缩放、5×7 点阵字体、SOM 网格、Bresenham 线、连通域分析、帧差分

运行测试

node kernel-test.js # 内核自测(解码真实截屏 + 编码回环比对)
node inflate-diff-test.js # inflate 与 Node zlib 差分对拍

文件

- index.js —— bundle Host 入口(官方 defineTool 门面 + 插件体加载 + settings 注册)
- client.js —— bundle Client 半部(WebUI 设置 → 插件配置 卡片)
- plugin.host.js —— 插件源码(与 DSH 动态插件沙箱 code.host 完全同一份)
- mimo-client.cjs —— node 子进程 SSE 客户端(直连 Xiaomi MiMo API)
- cordis.patch.yml —— bundle 补丁层
- kernel-test.js / inflate-diff-test.js / smoke-test.mjs —— 测试

已知限制

- 屏幕截取 / 原生 OCR 目前为 Windows 实现(PowerShell Graphics.CopyFromScreen / WinRT OcrEngine)
- 帧文件存储于 sandboxPolicy.workspaceRoot/.vispri
- 动态插件沙箱形态(cordis_define 创建的开发态插件)因审批策略为 never 无法激活 Client 半部,故 WebUI 配置卡片仅在 bundle 安装形态下可用;动态形态可用 CLI dsh credentials set MIMO_API_KEY 配置

License

MIT