dsh-tool-vision

GitHub: Scorp1o117/dsh-tool-vision · npm: dsh-tool-vision · English

属于 DeepSeek Harness Enhancement Suite —— Vision · Soul/Persona · 长期记忆 · 插件市场。

给 DeepSeek Harness 外接视觉模型的插件。

DSH 0.1.1 已为 DeepSeek 视觉模型目录加入原生图片输入。本插件继续提供独立的 OpenAI 兼容视觉端点、像素级图片工具、截图，以及文本模型图片桥。Harness 的每次模型请求都严格从会话日志推导（llm/stream 请求必须与持久化推导一致，否则 agent-loop invariant 会报 log-reconstruction desync），因此图片桥仍在可持久重建的路径内完成转换：

1. inspect_image 工具 —— 把图片（本地文件或 http(s) URL）发给任意支持 image_url 内容块的 OpenAI 兼容 /chat/completions 端点，把视觉模型的文字回答带回对话。
2. 图片桥（v0.2.1） —— 粘贴的图片在进入持久化日志之前就被转换成 inspect_image 指引文本，拦截点是 agent/pre-step waterfall（这是 harness 唯一允许插件替换"进入某一步的消息"的缝；替换后的消息会成为持久化的 user/message 日志，所以请求重建 invariant 天然满足）。旧版本已经写进日志的图片消息，会在该会话下一次 pre-step 时用 surface replace 惰性修复。只有 multimodalModels 白名单内的模型直收图片块；不参考模型的 inputModalities 声明——因为很多配置为了通过 prompt 准入检查，会给纯文本模型声明 input: [text, image]（那只是声明，不代表上游真的能吃 image_url）。

• 除 dsh SDK 外零依赖 —— 兼容任意端点：OpenAI GPT-4o、Qwen-VL（DashScope）、GLM-4V（智谱）、Moonshot、Gemini 兼容端点、本地 Ollama 等。
• 注册在全局工具层：进程内所有 Agent 都能调用 inspect_image。
• Web UI 设置栏（v0.3.0）：设置 → 视觉模型 编辑 tool-vision 命名空间（API 地址、只写密钥、模型、桥接选项），写入 settings.yaml，改动即时生效无需重启。API 密钥存放在 settings.yaml 而非 profile patch；插件按包名挂载（name: 'dsh-tool-vision'）以便 web 端发现客户端 bundle。

安装

在 profile patch（$DSH_HOME/profiles/<name>/cordis.patch.yml）里挂载：

- insert:
    - id: tool-vision
      name: 'dsh-tool-vision'     # 前置：在 profile 里 pnpm add dsh-tool-vision
      config:
        baseURL: 'https://api.openai.com/v1'
        apiKeyEnv: 'VISION_API_KEY'
        model: 'gpt-4o-mini'

不装 npm 包、直接加载本地路径：

    - id: tool-vision
      name: './plugins/dsh-tool-vision/index.js'

配置

| 字段 | 默认值 | 含义 | |---|---|---| | baseURL | https://api.openai.com/v1 | OpenAI 兼容 API 基地址 | | apiKey | '' | API 密钥（优先于环境变量） | | apiKeyEnv | VISION_API_KEY | 存放密钥的环境变量名 | | model | gpt-4o-mini | 视觉模型 id | | maxTokens | 1024 | 视觉调用最大输出 token | | timeoutMs | 60000 | 单次请求超时 | | maxImageBytes | 10MB | 本地图片大小上限 | | description | 默认描述 | 工具描述（模型可见） | | bridgeTextOnly | true | 把粘贴图片转成文本指引（发给看不懂图片的模型时） | | bridgeExportDir | 临时目录 | 桥接图片导出目录（os.tmpdir()/dsh-vision-bridge） | | multimodalModels | [] | 直发图片块的模型 id（如 mimo-v2.5） | | bridgePreview | true | 桥接图片内联预览：用户气泡内显示缩略图，点击放大 | | bridgePreviewScanIntervalMs | 2000 | 预览兜底扫描间隔（毫秒）；0 关闭兜底 | | bridgePreviewHideHint | true | 图片加载成功后隐藏桥接提示文本（失败时保留，安全降级） | | bridgeAutoImage | true | 桥接开启时向宿主准入检查报告所有模型都支持图片输入，纯文本模型也能直接粘贴图片，无需手动改 provider 配置 |

图片桥配置

1. （一般不需要）只有关闭 bridgeAutoImage 时才需要手动给模型声明图片输入（pi-ai 风格），让 harness 放行图片消息：

   llm-pi-ai:
     providers:
       your-provider:
         models:
           - id: deepseek-v4-flash
             input: [text, image]

2. 在插件配置里列出真正多模态的模型，让它们直收图片块：

   - id: tool-vision
     name: 'dsh-tool-vision'
     config:
       multimodalModels: ['mimo-v2.5', 'grok-4.5']

之后在文本模型下贴图，转录里会留下一条指引： [User sent an image, exported to: <path>. Inspect it with the inspect_image tool...] （该消息不再以像素图形式渲染），Agent 会调用视觉端点查看并把结果带回对话。

为什么不用 llm/stream？harness 会冻结每个请求，且 agent-loop invariant 会拒绝任何与会话日志推导不一致的请求；这个 cordis 版本的 waterfall next() 也无法替换请求参数。agent/pre-step 才是受支持的缝：它的决策消息会成为持久化日志，invariant 天然成立。

密钥解析顺序：config.apiKey → process.env[apiKeyEnv] → process.env.OPENAI_API_KEY。

桥接图片预览（v0.4.0）

纯文本模型下，被桥接的图片在对话里只显示一段 [User sent an image...] 文本指引。开启 bridgePreview（默认开）后，浏览器端会在展示层把指引渲染成气泡内缩略图：

• 缩略图 + 灯箱：点击缩略图全屏放大，点击任意处或按 Esc 关闭；
• 即时 + 兜底：新消息由 MutationObserver 即时处理，历史消息由周期兜底扫描补齐（间隔见 bridgePreviewScanIntervalMs）；
• 隐藏提示文本（P2）：bridgePreviewHideHint 开启时，图片加载成功后桥接文本自动隐藏，气泡只留图片；加载失败则保留文本（安全降级，绝不出现"既无图又无字"）；
• 识别机制：桥接文本带不可见前缀标记（\u200b[bridge]），客户端据此精确识别桥接块——用户正常发言中出现"exported to:"字样不会被误伤；
• 纯展示层红线：不修改持久化消息、不修改转录、不修改模型侧文本、不碰 inspect_image 调用链。

预览图片由同源回环路由 /plugins/dsh-tool-vision/image 提供，只读桥接导出目录、仅本机 Host、仅图片扩展名、单文件 ≤ 20MB、防目录穿越。

工具：inspect_image

| 参数 | 必填 | 含义 | |---|---|---| | path | ✅ | 图片路径（绝对路径，或相对当前工作区）或 http(s) URL | | question | – | 可选的具体问题 | | detail | – | auto / low / high 分辨率提示 |

示例端点（baseURL）：

• OpenAI：https://api.openai.com/v1 —— gpt-4o、gpt-4o-mini
• 阿里云 DashScope（Qwen-VL）：https://dashscope.aliyuncs.com/compatible-mode/v1 —— qwen-vl-plus、qwen-vl-max
• 智谱（GLM-4V）：https://open.bigmodel.cn/api/paas/v4 —— glm-4v-flash（免费档）、glm-4v-plus
• Moonshot（Kimi）：https://api.moonshot.cn/v1 —— moonshot-v1-8k-vision-preview
• Ollama 本地：http://localhost:11434/v1 —— llama3.2-vision（无需密钥）

像素级视觉工具(v0.6.0,移植自 dsh-vision-router)

14 个 vision_* 工具由同一个 inspect_image 配置的端点驱动 (baseURL/apiKey/model)——无 provider 链、无本地模型、零新增配置:

| 工具 | 用途 | |---|---| | vision_describe | 看图问答 / 多图对比(可选结构化 JSON) | | vision_ground | 定位目标,返回原图像素坐标框 | | vision_detect | 枚举元素(按钮/输入框/图标…),带编号框 | | vision_crop | 按像素区域裁剪出 PNG 产物 | | vision_pixel_diff | 逐像素对比:差异比例、最差区域、热图、报告 | | vision_colors | 主色量化,还原 UI 调色板 | | vision_ocr | 逐字转写文字(只读字,不做场景识别) | | vision_long_screenshot_ocr | 长截图分块转写为 Markdown | | vision_trace | potrace 矢量化输出彩色 SVG(worker 线程,安全) | | vision_extract_foreground | 纯色背景抠图 → 透明 PNG | | vision_html_screenshot | 本地 HTML 无头渲染截图(禁网) | | vision_screenshot | 桌面截屏(隐私门控:需在设置中开启 desktopScreenshot;Win: PowerShell / macOS: screencapture / Linux: import/scrot) | | vision_present | 通过宿主附件库把生成的图片正式展示给用户 | | vision_materialize | 把附件/本地图片落盘为工作区真实路径 |

质量与安全细节:

• 内容哈希缓存按 端点+模型+图片+问题 取键(切模型不吃旧答案,失败结果 不入缓存);
• 统一 4MP 降采样后再调用模型;超大输入 stat 预检直接拒绝(文件与 附件路径统一 20MB 上限);
• 限流/5xx 自动重试(感知 Retry-After 退避);端点内容安全拒绝明确 返回 VISION_CONTENT_FILTERED,不再误报后端不可用;
• 长截图 OCR 边界:120s 总预算、40 块上限、取消检查、首块失败即停;
• 路径 containment(相对输入禁止逃逸工作区);产物写入 <工作区>/.dsh-tool-vision/。

依赖 sharp / potrace / puppeteer-core(声明为可选依赖:平台安装失败 不会阻断插件安装;缺失时懒加载降级并给出安装提示,不影响其他工具)。

vision_screenshot 属于隐私敏感能力,默认不注册——在 tool-vision 设置中 开启 desktopScreenshot: true 后才会注册桌面截屏工具。

限制

• 从 0.6.3 起最低支持 DSH 0.1.0-rc.7，已针对 0.1.0-rc.7、 0.1.0-rc.8 和 0.1.1-rc.1 测试。仍使用 DSH 0.1.0-rc.6 的用户请锁定 [email protected]；这是最后一个包含旧 settings 白名单兼容补丁的版本。
• 被桥接的图片以文本指引进入对话（转录而非像素）——文本模型无法做像素级上下文推理；视觉模型的描述通过 inspect_image 回传。
• 图片以 base64 传输；注意隐私与大小限制。
• 独立于 dsh-llm 的路由/重试体系；失败会向 Agent 返回明确错误。

License

MIT —— 桥接预览与整合:xing666173。像素级视觉工具移植自 dsh-vision-router(© ysr666,MIT), 在此致谢。