@mengruo/dsh-vision-toolkit

v0.1.5

Published

2 days ago

DeepSeek Harness-native integration for agent-vision-toolkit: image Q&A, OCR, grounding, UI restoration, pixel diff, Artifacts, and Web UI.

0High
0Medium
0Low

mengruo

deepseek deepseek-harness agent-vision-toolkit agent-skills text-only-llm vision-language-model vision-tools vision-skills computer-vision ocr ui-restoration screenshot-testing gui-automation

DSH Vision Toolkit

更强大的视觉工具箱——给 DeepSeek Harness 里的纯文本模型装上眼睛：图片问答、长图 OCR、前端 UI 还原、GUI 视觉任务，一套视觉工具箱和一个 Skill。

🚀 粘贴图片，直接提问｜一行命令安装即用｜场景丰富

亮点｜快速开始｜工具一览｜配置与限制｜常见问题｜开发

🌐 English ｜中文

上游： Anionex/dsh-vision-toolkit —— 本仓库是该项目的 fork。

亮点

粘贴图片，直接提问。 在 DSH Web 里粘贴图片，文本模型会自动切换到看图模式变体，不需要手动复制路径或更换模型。图片保留原生缩略图、会话记录和工作区路径；Web 可以预览产物。
一行命令安装即用。 安装插件后即可在 设置 → 视觉工具 中配置视觉模型并开始使用。
不只是看图描述，是获取图中真正需要关注的内容。 模型不只是生成通用描述，而是围绕“报错在哪里”“按钮在哪”等当前任务提取证据。
多提供商 + 自动回退。 可配置多个视觉提供商，路由、流式请求与自动回退均由策略处理，提升可用性与稳定性。
一套经过实战验证的视觉任务方法论：项目提供的skill，会告诉 agent 面对不同视觉任务时应该看什么、选择哪个工具、按什么步骤推进，以及最后如何验证结果。

本项目把一整套视觉任务方法论带进 DeepSeek Harness，提供两层能力：

视觉工具和 Skill：让 Agent 知道什么时候该看图、定位、OCR、裁剪、描摹或做像素对比。
DSH 原生接入：把这些能力放进 Profile、会话、Settings、Artifacts 和 Web 界面。

dsh plugin --profile web add @mengruo/dsh-vision-toolkit

适合谁用

想获得类似多模态模型一样的交互体验：直接粘贴图片，提出要求或疑问
不只是看图问答，想要完成更复杂、更有价值的视觉任务，例如草图变前端页面，图片转html，提取长截图里的聊天信息等等；后续也会不断补充更多的场景。

随附的 vision-skills Skill 携带完整的上游 playbook，说明每个工作流何时使用、按什么顺序调用工具，以及如何验证结果：

| 手册 | Agent 学会做什么 | | --- | --- | | 读取长截图、聊天记录和滚动页面 | 找到低内容切割带、按顺序 OCR 每个分块、保留聊天发言人/时间戳/引用、只合并重复的重叠部分，并标出有风险的边界供验证 | | 根据截图或设计重建 UI | 优先复用项目组件和素材，再用代码原生 UI、提取的视觉素材、渲染截图和视觉对比来对齐页面或组件 | | 还原图标、Logo、插画或其他图形 | 从源图像提取透明 PNG，或按需重建可编辑/可缩放 SVG，然后验证形状、颜色和 alpha 边缘 | | 把草图、示意图或白板转成结构化代码 | 把节点、标签、连接和方向恢复为可编辑的 Mermaid、Graphviz 或其他结构化表示 | | 通过截图操作 GUI | 定位控件、执行一个动作、再次截图，并先验证结果状态再继续 |

实际效果

在 DSH 里直接粘贴图片提问

用户粘贴一张图片，纯文本模型自动切换到对应的 Vision Toolkit 变体，并围绕用户的问题读取画面。

从截图到可编辑页面

提示词示例：“（使用vision-skills），把这张图片还原成html”

左：参考截图；右：用 HTML/CSS 还原出的可编辑结果。视觉结果可以继续进入截图和像素对比流程，而不是停在“描述图片”。

从手绘稿到可用界面

左：手绘参考；右：根据参考还原的可用界面。

提示词示例：“（使用vision-skills），把这张草稿图做成可用的前端页面”

快速 UI 还原：先出一版近似稿

提示词示例：“（使用vision-skills），把这张图片快速还原成html”

左：原始页面；右：保留主要布局、内容和视觉层级的快速还原稿，允许颜色和图标库近似。快速模式的目标是约三分钟内产出首版截图。

快速开始：三步完成

1. 安装

dsh plugin --profile web add @mengruo/dsh-vision-toolkit

Headless Profile 也可以安装：

dsh plugin --profile headless add @mengruo/dsh-vision-toolkit

使用 DSH Desktop 桌面版？桌面版自带 dsh 命令行，但有意不写入系统 PATH，请不要在系统终端里执行上面的命令。请从托盘打开 DSH 终端（Open DSH Terminal），在桌面版自己的终端中安装到 Desktop Profile：

dsh plugin --profile desktop add @mengruo/dsh-vision-toolkit

安装完成后重启 DSH Desktop。DSH Desktop 2.0.1 内置插件市场的“一键安装”存在已知问题，修复前请优先使用上面的终端命令安装。

完整的桌面版安装、更新与排查步骤见 DSH Desktop 安装与更新指南。

2. 重启并确认

重启正在运行的 Web Profile，打开 设置 → 视觉工具，配置视觉模型，然后运行测试视觉模型确认连接。

首次启动会自动准备隔离运行环境：插件优先使用系统已有的 Python 3.11+；如果系统没有，会自动从国内镜像（dsh-vision-python-bootstrap-1317715800.cos.ap-guangzhou.myqcloud.com）下载一个带完整性校验的托管 Python（约 35MB，仅首次需要网络），镜像不可用时自动回退到 GitHub 官方发布源。锁定依赖（Pillow、NumPy、vtracer）会优先从腾讯云 PyPI 镜像（mirrors.cloud.tencent.com/pypi/simple）安装，镜像不可用时回退到官方 PyPI。普通安装不需要下载 agent-vision-toolkit 源码，也不需要设置本地路径。

3. 粘贴图片，直接说你要做什么

在会话中粘贴截图，或把图片放进会话工作区，然后调用 /vision-skills。例如：

看看这张截图，告诉我报错原因和最值得先修的地方。
找到右上角的登录按钮，返回原图像素坐标并生成带框预览图。
把这个图标裁出来并转成 SVG。
按照 reference.png 还原页面，每轮截图后做像素对比，直到主要差异消失。

工具一览

插件提供 10 个可以单独调用、也可以组合使用的视觉工具：

| 工具 | 最适合解决的问题 | 主要结果 | | --- | --- | --- | | vision_glance | “这张图里发生了什么？” | 针对性回答、描述、OCR、多图比较 | | vision_ground | “我要找的东西在哪？” | 原图像素坐标、可选带框预览 | | vision_detect | “图里有哪些按钮/图标/元素？” | 编号元素清单、坐标、可选预览 | | vision_crop | “把这块区域单独取出来” | PNG 或 JPEG 裁剪图 | | vision_trace | “把这个图形变成可编辑矢量” | SVG | | vision_pixel_diff | “实现和参考图到底差在哪？” | 差异比例、重点区域、热力图、JSON | | vision_long_screenshot_ocr | “读完这张很长的截图” | Markdown、分块图、清单和审计结果 | | vision_extract_foreground | “把主体抠出来” | 透明 PNG | | vision_dominant_colors | “这块区域用了哪些主要颜色？” | 主色板或候选色排序 | | vision_html_screenshot | “按精确视口渲染本地页面，或一次捕获整页” | PNG 和可选的 CSS pageHeight |

坐标始终使用原图像素格式 x1,y1,x2,y2，因此定位结果可以直接交给裁剪、描摹或后续自动化。

对于长 HTML 文档，传入 fullPage=true。请求的宽高仍作为布局视口，生成的 PNG 会覆盖完整文档，并以 CSS 像素返回 pageHeight。

工作原理

插件把远程图片理解和可重复的本地图片处理放进同一套 Agent 工作流。下面的流程图展示了具体的职责边界。

让描述始终围绕当前任务

多数文本模型视觉桥接的做法是让多模态模型生成一段通用描述，再把描述交给文本模型，这等于多了一层必然有损的语义转换。Vision Toolkit 反过来恢复 Agent 为什么想看这张图：把用户消息或模型给出的调用原因作为 focus hint（聚焦提示）传给视觉模型，得到的是围绕当前步骤的重点描述——更少 token、更准确、响应更快。

架构与图片输入行为

flowchart LR
    Image["截图或本地 HTML"] --> Skill["vision-skills Skill"]
    Skill --> Agent["文本 Agent 选择任务"]
    Agent --> Vision["需要理解图片时调用视觉模型"]
    Agent --> Local["裁剪、SVG、像素等任务在本地处理"]
    Vision --> Result["回答、OCR、坐标"]
    Local --> Artifact["PNG、SVG、热力图、JSON"]
    Result --> Session["继续推理和行动"]
    Artifact --> Session

视觉能力来自打包的固定版本 agent-vision-toolkit。DSH 插件负责安装、会话级工具暴露、Credential、路径校验、取消、超时、结果文件和 Web 展示。运行时不会在后台拉取上游 main。

vision-skills Skill（上游原名 vision-tools）现在以上游 SKILL.md 和全部 5 篇上游 SOP 为明确底稿：只适配工具名、结构化参数、Artifact 交付、渐进式暴露，以及 DSH 的路径和生命周期边界；上游的工具选择规则、由粗到细方法和任务流程保持不变。精确的上游 Skill commit、源文件哈希、适配后哈希和可审查补丁分别记录在 assets/skill/UPSTREAM.json 与 patches/vision-tools-dsh.patch。

对于明确标记为纯文本的模型，插件会注册 <模型名> (Vision Toolkit) 变体。默认情况下，在 DSH Web 粘贴图片时会自动切换到该变体，并把图片路径与带当前任务重点的视觉描述一起交给模型。

配置与限制

配置视觉模型

在 设置 → 视觉工具 中配置视觉模型提供方，并把 API Key 保存为 DSH Credential。Settings 只保存 Credential 引用，不会回显密钥。

AIHubMix 图文教程： 申请 AIHubMix API Key 并配置 Gemini 3.7 Flash 识图。教程包含账号与 API Key 获取截图、Vision Toolkit 的准确配置、模型选择和常见问题排查。

也可以在 Profile patch 中配置：

- id: vision-toolkit
  config:
    provider:
      baseUrl: https://api.example.com/v1
      credential: MY_VISION_KEY
      model: your-vision-model
      protocol: openai

支持 OpenAI Chat Completions 兼容端点和 Anthropic Messages。Web Settings 页面还可以调整超时、图片限制、并发、运行时和图片输入变体。

默认使用非流式请求。对非流式支持不佳、长输出容易连接超时的端点，可为单个 provider 设置 stream: true（或在 Web Settings 中打开「流式请求」开关）改用以 SSE 流式方式请求补全；流式响应会在 Python 客户端内聚合成完整文本后返回，工具接口与结果结构不变。

高级设置中的 默认保存目录 可以把产物、粘贴图片和缓存放到 /tmp/dsh-vision-toolkit 等 POSIX 绝对共享根目录下；插件会为当前用户和工作区创建权限为 0700 的私有子目录。留空时继续使用工作区内原有的 .dsh-vision-toolkit 目录。Windows 目前会拒绝配置共享根目录，因为插件尚不能安全校验其所有权和访问控制列表。

配置的保存目录变更后，插件会把之前验证过的根目录保留为只读输入位置。Web Profile 会把这段历史保存在插件自有的 vision_toolkit_storage storage-domain sidecar 中；即使当前 Settings 提供方只读，Profile 重启后原有粘贴图片路径仍可继续使用。使用配置共享存储的自定义 Profile 应组合 @deepseek-ai/dsh-storage-domain。

如果受信任的内部端点使用自签证书或 MITM 代理，可在启动 DSH 进程时设置 VISION_SSL_VERIFY=0。插件会把该值传入隔离的 Python 运行环境；未设置或使用其他值时仍默认校验证书。还支持大小写不敏感的假值 false、off、no、none 和 disabled。

配置 Python 运行时

大多数用户无需配置 Python 运行时：插件会优先使用系统 Python 3.11+，找不到时自动从国内镜像下载固定版本的托管 Python；国内镜像不可用时回退到 GitHub 官方发布源。

需要覆盖 runtime.python、使用 runtime.mode: external、验证运行时，或允许读取其他目录时，请参阅 Python 运行时配置。

常见问题

| 问题 | 处理方式 | | --- | --- | | 视觉模型测试失败：Vision API returned an incompatible response structure | 通常是 API 地址少了路径前缀。LM Studio、Ollama 等本地 OpenAI 兼容服务需填写 http://127.0.0.1:1234/v1（带 /v1），插件会在其后拼接 /chat/completions；只填端口号会命中服务的未知端点并返回该错误 | | 粘贴图片后仍提示模型不支持图片 | 重启 Web Profile 并刷新页面，确认当前模型已切换到带 (Vision Toolkit) 的变体；也可以把图片先放进会话工作区，再调用 /vision-skills | | 视觉服务提示 429 | 按错误中的 Retry-After 等待后重试；如果需要稳定高额度，切换到自己的视觉端点 | | 图片过大或像素超限 | 先裁剪或缩放图片；错误会明确显示是字节还是像素限制 | | 自定义 Credential 缺失 | 在 设置 → 视觉工具 填写 API Key，并确认 Credential 名称与配置一致 | | 首次运行时准备失败 | 自动下载托管 Python 需要网络和磁盘权限（默认先走国内镜像，失败时回退 GitHub）；失败时检查网络或包缓存，也可以安装 Python 3.11+ 或在 Settings 中配置 runtime.python，然后重新测试 | | 找不到 Chrome | 安装 Chrome、Chromium 或 Edge；只有 HTML 截图不可用，其他工具不受影响 | | DSH Desktop 提示找不到 dsh 命令，或内置插件市场安装失败 | 从托盘打开 DSH 终端，运行 dsh plugin --profile desktop add @mengruo/dsh-vision-toolkit，再重启 DSH Desktop。桌面版 2.0.1 的内置市场存在已知安装问题，当前请优先使用终端安装 | | 产物无法预览 | 使用“打开文件”或结果中的工作区路径；预览 URL 只在 Web 路由可用时存在 |

FAQ

接入视觉模型会显著增加成本吗？

不会。每次检查只把必要的意图和图片发给多模态模型，调用之间不会累积上下文，因此额外成本很小。想进一步降低成本，可以用本地部署的小型多模态侧模型（例如 Gemma 4 或 Qwen 3.5/3.6 系列）提供视觉能力。

开发

Bug、功能建议和使用问题请提交到 GitHub Issues。
版本变化见 CHANGELOG.md。
本仓库是 Anionex/dsh-vision-toolkit 的 fork；如有合适的改动欢迎回馈给上游。

许可证

插件采用 MIT License。打包的上游快照保留其原始 MIT 许可证，见 vendor/agent-vision-toolkit/LICENSE。