dsh-vision-bridge（识图插件）

一个常驻型 DeepSeek Harness 插件，让纯文本的 DeepSeek 模型获得图像理解能力：在聊天框上传图片（回形针按钮或拖拽），插件会调用你配置的视觉模型 API（OpenAI 兼容或 Google Gemini），将识别出的文本回填到对话中，让 DeepSeek 能够回答关于图片的问题。

这是动态插件的常驻、开源版本——一个真实安装到 DSH 配置文件中的包：配置可跨重启保留（存储于 $DSH_HOME/settings.yaml），UI 使用 DeepSeek Harness 原生组件库（dsh-client-ui-primitives）与主题令牌（--dsw-*），不使用任何 emoji——所有图标均为原生 DSH SVG 图标。

功能特性

• �️ 输入框工具栏中的回形针上传按钮，悬停显示提示
• 📥 在聊天区域任意位置拖拽上传图片
• 🧠 通过配置的视觉模型自动识别（支持任何 OpenAI 兼容端点——智谱 GLM / 通义千问 VL / Moonshot / 硅基流动 / Ollama——以及 Google Gemini）
• 📋 输入框上方的宽幅预览卡片：缩略图、文件名 + 大小、状态、可展开的识别结果、操作按钮（插入输入框 / 插入并发送 / 重新识别 / 删除）
• 🔌 模型可调用的 vision_lookup 工具——DeepSeek 可在对话中主动询问已上传图片的信息
• ⚙️ 配置卡片位于 设置 → 插件 → 插件配置，并提供"测试连接"按钮
• 💾 配置通过 settings 服务持久化（$DSH_HOME/settings.yaml）

环境要求

• DeepSeek Harness Web 模式（浏览器 UI；插件使用 webServer、settings、subprocess 与 tools 主机服务）
• Node.js ≥ 20 及一个包管理器（推荐 pnpm）用于构建
• 一个属于自己的视觉模型 API 密钥（OpenAI 兼容或 Gemini）

构建

pnpm install
pnpm build

产物：lib/index.js（主机端）与 lib/client.js（浏览器端 bundle）。

安装到 DSH 配置文件

1. 将整个包复制到配置文件的 node_modules 中，例如默认的 web 配置：

   cp -r dsh-vision-bridge "$DSH_HOME"/profiles/web/node_modules/dsh-vision-bridge

   （$DSH_HOME 通常为 ~/.dsh，例如 C:\Users\你的用户名\.dsh。）

2. 在该配置文件的 cordis.patch.yml（与 cordis.yml 同级、在每次 bundle 层之后应用的文件）中注册插件行。追加一条 insert 条目——单行即可同时激活两端：主机加载器加载 lib/index.js（Node 端），dsh-client-modules 拾取 dsh.client 声明并向浏览器提供 lib/client.js：

   # $DSH_HOME/profiles/web/cordis.patch.yml
   - insert:
       - id: vision-bridge
         name: 'dsh-vision-bridge'

   注意：主机 webServer 行（@deepseek-ai/dsh-host-webserver）必须已在配置文件中挂载（出厂的 web-app bundle 中已包含）。不要重复添加 webServer 行。

3. 重启 DSH（dsh --profile web）并打开 Web UI。

使用方法

1. 打开 设置 → 插件 → 插件配置 → 展开 识图插件（Vision Bridge），填写：
   • 接口风格：OpenAI 兼容 或 Google Gemini
   • API 地址：只需填基础地址即可——/chat/completions（OpenAI 风格，如 https://open.bigmodel.cn/api/paas/v4）或 :generateContent（Gemini）会自动追加
   • API 密钥、模型名称（例如 glm-4v-flash、glm-4.6v、gpt-4o-mini、qwen-vl-max、gemini-2.0-flash）
   • 识别提示词（可选；默认会请求一段详细的中文描述）
   • 点击"保存"，然后点击"测试连接"验证。
2. 点击回形针按钮（或将图片拖到聊天区域任意位置）。图片会被缩放为 ≤1280px 的 JPEG 并自动发送到视觉 API。
3. 预览卡片会显示状态；展开"识别结果"查看完整文本，然后点击"插入并发送"将其交给 DeepSeek，或先点击"插入输入框"进行编辑。
4. 在对话过程中，DeepSeek 自身也可以调用 vision_lookup 工具来询问已上传图片的信息。

工作原理

浏览器端 (lib/client.js)                    主机端 (lib/index.js)
──────────────────────────────               ─────────────────────────────────
  回形针按钮 / 拖拽         fetch       JSON API /vision-bridge/api/*
  预览卡片    ──────────────────────────►  (webServer 路由，POST)
                                             │  settings 服务 ─► settings.yaml
                                             ▼  subprocess 服务 ─► curl ─► 视觉 API
  vision_lookup 工具  ◄──── tools.register ──┘  (回答文本回传给模型)

为什么用 curl + subprocess？动态插件沙箱中没有 fetch，而且产品 web 服务只支持搜索，因此由主机通过 curl 以 stdin 传入 JSON body 发起 HTTP 请求（避免多兆字节图片触发命令行长度限制）。静态浏览器端使用普通 fetch 调用同源 JSON API。

说明与限制

• API 密钥以明文存储在 $DSH_HOME/settings.yaml（visionBridge 命名空间），从不回显到 UI。如需更严格的密钥管理，可切换至 credentials 服务。
• 上传的图片保存在进程内存中（上限：每个会话 10 张，全局 40 张），供 vision_lookup 引用；不会持久化到磁盘。
• 智谱推理模型（如 glm-4.6）可能消耗大量推理预算——插件会发送 max_tokens: 4096，并在 content 为空时回退到 reasoning_content。
• 本插件面向 DSH web 配置文件构建；其他端（TUI、Electron）未经测试。

许可证

MIT——详见 LICENSE。