dsh-vision-primitives

Native interactive visual-reasoning plugin for DeepSeek Harness (DSH).

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。

Design inspired by vision-primitives-mcp, re-implemented as a native DSH plugin (official profile bundle: host half + WebUI client half).

特性

安装(官方 profile bundle 方式)

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

dsh plugin --profile <name> 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#<commit-sha> 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 <your-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

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:

也可用 CLI / 行配置:

# CLI 设置 API key(等价于 WebUI 卡片)
dsh credentials set MIMO_API_KEY <your-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\<你>\.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 <key> 配置

License

MIT