dsh-plugin-vision-bridge

让纯文本模型会话也能"看图"，覆盖两条路径：

1. 聊天框发图/贴图：上传预检会以"当前模型不支持图片"拒绝纯文本模型——插件拦截 session.prompt RPC，被拒绝时自动把图片交给配置的视觉模型（默认 zai/glm-4.6v） 识别，用文字描述替换图片后重新提交。会话历史中只有文字，没有图片块。
2. read_image 工具：模型调用 read_image 读工作区图片文件时，同样转由视觉模型 识别，返回文字描述。

两种情况下，会话本身继续使用你选定的文本模型（如 glm-5.2 / deepseek）。

行为

• 会话模型不支持图像（glm-5.2、deepseek 系列）→ 上述两条路径都走视觉桥。
• 会话模型支持图像（如你把会话切到 GLM-4.6V 本身）→ 原生直通，桥完全不介入 （聊天发图先原样提交，只有被拒才桥接，零额外开销）。
• 视觉调用失败（配额、网络）→ 返回明确的错误信息，不静默丢图。

配置（profile 的 cordis.patch.yml 中挂载行）

更换视觉模型

编辑 ~/.dsh/profiles/web/cordis.patch.yml 中 vision-bridge 行的 provider/model， 重启 harness 即可。模型需在 ~/.dsh/settings.yaml 的 llm-pi-ai.providers.<provider>.models 中声明（含 input: [text, image]）。

前提

~/.dsh/settings.yaml 中对应 provider 的 models 列表必须包含视觉模型，例如：

llm-pi-ai:
  providers:
    zai:
      apiKeyEnv: ZAI_API_KEY
      models:
        - id: glm-4.5-air
        - id: glm-4.7
        - id: glm-5-turbo
        - id: glm-5.1
        - id: glm-5.2
        - id: glm-5v-turbo
        - id: glm-4.6v        # ← 新增的视觉模型
          name: GLM-4.6V
          contextWindow: 200000
          maxTokens: 131072
          input: [text, image]

注意：models 列表会整体替换该 provider 的内置目录，原有条目要以裸 id 形式保留。

安装与使用

1. 获取源码

git clone https://github.com/lcb522/dsh-plugin-vision-bridge.git
# 或 Gitee 镜像：
# git clone https://gitee.com/lcb522/dsh-plugin-vision-bridge.git

2. 复制到运行时位置

Copy-Item -Recurse -Force dsh-plugin-vision-bridge "$env:USERPROFILE\.dsh\profiles\node_modules\dsh-plugin-vision-bridge"

运行时位置 ~/.dsh/profiles/node_modules/dsh-plugin-vision-bridge/ 是共享回退层， 所有 profile 都能解析。依赖 @deepseek-ai/schemastery 已由官方共享层提供，无需自带。

3. 挂载到 profile

编辑 ~/.dsh/profiles/web/cordis.patch.yml，加入：

- insert:
    - id: vision-bridge
      name: dsh-plugin-vision-bridge
      config:
        provider: zai          # 视觉模型所在 provider
        model: glm-4.6v        # 视觉模型 id
        maxTokens: 16384
        timeoutMs: 180000
        redirectReadImage: true
        redirectChatUploads: true

4. 重启 harness

双击桌面 harness 图标（或重新运行 npx @deepseek-ai/dsh web）。

怎么用（无需额外操作）

• 聊天框发图/贴图：直接往输入框拖图。纯文本模型会话中，图片自动转成 视觉模型生成的文字描述再提交；支持图像的模型则原生直通，桥不介入。
• 读工作区图片：让模型调用 read_image 读任意工作区图片文件，返回的同样是 视觉模型的文字描述。

更新

cd dsh-plugin-vision-bridge
git pull
Copy-Item -Recurse -Force . "$env:USERPROFILE\.dsh\profiles\node_modules\dsh-plugin-vision-bridge"

复制后重启 harness 生效。

已知边界

• 聊天框桥接发生在 session.prompt（浏览器 RPC）层；subagent.prompt 等其他入口未桥接。
• 视觉模型看到的只有单张图片 + 固定提示词，不携带会话上下文。