[!WARNING] 📌 公告（v1.7.1）

v1.7.1：远程设置现可在风险确认后开启。

目录

• 为什么做这个
• 对比同类插件
• 设计来源
• 致谢
• 快速开始
• 免费视觉 Key 渠道
• 亮点
• 工作原理
• 工具
• 配置项
• 安装与生命周期
• 故障排查

为什么做这个

大多数 DSH 视觉插件把图片“翻译”成一段文字描述再喂给 DeepSeek——有损、一次性、看不见像素。本插件把原图像素留在视觉模型侧、把推理留在 DeepSeek 侧，并把“看图”变成一次普通的工具调用：

• 一条命令安装。 包自带组合补丁（dsh.bundle.patch）：dsh plugin add 自动完成插件行挂载、准入包装与附件限制放宽——不用手改任何文件。是否接管官方 DeepSeek 路由由「隐身模式」开关决定（默认关）。
• 默认免费。 视觉工具最终兜底为 5 个 OVHcloud 匿名视觉模型：免注册、免 Key，每 IP、每模型 2 次/分钟，独立限额理论合计约 10 次/分钟；用户自备视觉模型会优先调用。
• 无 Python。 整条管线——缩放、定位、裁剪、像素对比、取色、OCR、SVG 矢量化、抠图、HTML 截图——全部基于 sharp / potrace / tesseract / 系统 Chrome。
• 可连续多步看图。 图片轮 = 调用工具的文本轮：vision_ground → vision_crop → vision_describe → vision_pixel_diff → 修复 → 再截图，Agent 可以一直迭代到任务完成。
• DeepSeek 始终是大脑。 文字轮在模型、成本、上下文上完全不动；视觉模型只当“眼睛”、按需调用，答案按图片内容缓存。
• 界面无感。 上传的图片在会话界面里照常显示为图片；指向视觉工具的改写只发生在模型输入层，从不写入会话日志。

对比同类插件

一句话讲清区别：其他 dsh 视觉插件大多"把图片转成文字描述再喂给 DeepSeek"（描述桥，有信息损耗）； 本插件主打"图片轮直接交给视觉模型看原图"（路由桥，像素保真），同时内置免 Key 免费模型兜底。

| | 手动切换模型 | MCP 视觉桥 | 本插件 | |---|---|---|---| | 像素保真 | ✅ 完整（切换后） | ❌ 只有文字描述 | ✅ 完整，图片轮内 | | 自动化 | ❌ | ✅ | ✅ | | 日常模型不受影响 | ❌（整会话被换） | ✅ | ✅ | | 供应商失败恢复 | ❌ | ❌ | ✅ 降级链 | | 可复用的结构化查询 | — | 部分 | ✅ JSON 模式 + 缓存 | | 免费开箱即用 | ❌ | ❌ | ✅ 内置免 Key 免费端点 | | 贴合 dsh 组合体系 | — | 外部服务器 | ✅ 一行插件行 |

与现有 dsh 社区方案的差异（均为优秀项目，各有侧重；描述以各家 README 2026-08 状态为准）：

| 项目 | 思路 | 本插件的差异 | |---|---|---| | dsh-vision-sidecar | 图片先经外部 VLM 做 OCR/描述，描述作为会话消息交给 DeepSeek；默认 LLM7.io 匿名端点（OVHcloud 为无 Key 备选） | 描述桥方案；本插件提供"原图直看"路由，描述能力由 vision_describe 按需替代 | | dsh-vision-proxy | 包装 provider 路由，请求流里把图片转译成文本再交给 DeepSeek | 转译桥方案；本插件不包装 provider，通过 agent/request 瀑布改写路由 | | dsh-vision-provider | 注册 DeepSeek + Vision 组合路由：图片先经所选视觉模型转成描述，再交给 DeepSeek | 双模型桥思路；本插件在此基础上增加自动路由、降级链与工具 | | modlens | 最早的 dsh 视觉插件；复用本机 Claude Code/Codex/OpenCode/Pi 等登录态作为视觉引擎 | 引擎复用思路；本插件自带供应商链，不依赖本机其他 CLI | | dsh-vision-toolkit | 10 个意图化视觉工具（Q&A/OCR/像素校验/UI 还原），按需显式调用 | 工具集更全；本插件多出整轮自动路由与免 Key 免费兜底 | | dsh-tool-vision | inspect_image 工具 + agent/pre-step 瀑布图片桥（粘贴图入日志前转成工具提示） | 瀑布桥思路相近；本插件多出轮次路由、降级链、缓存与免费端点 |

设计来源

本项目的深度视觉工具层与 UI restoration 工作流参考并受到 Anionex/agent-vision-toolkit 及其 DSH 原生实现 Anionex/dsh-vision-toolkit 的设计影响。具体包括意图驱动的工具选择、渐进式工具暴露、pixel-diff 验证闭环，以及部分视觉工具的职责划分与命名，包括长截图 OCR、前景提取和 HTML screenshot 等设计。

dsh-vision-router 中相关代码均为独立实现。在这些设计参考基础上，本项目独立发展了 turn-level/tools-first vision routing、DSH 准入/包装集成、多视觉后端与故障 fallback chain、内置免费视觉模型链、附件/图片记忆、缓存与相关运行时容错机制。

感谢 Anionex 的先行工作以及整个 DSH 社区的探索。清晰的设计归因与独立迭代并不冲突；二者都有助于维护开放、协作、健康的 DSH 生态。

致谢

本插件借鉴了以上全部社区项目的思路，特别是 dsh-vision-sidecar 对免注册免 Key 视觉端点的探索（LLM7.io 与 OVHcloud 匿名层）。感谢 dsh-vision-proxy、 dsh-vision-provider、 modlens、 dsh-vision-toolkit、 dsh-tool-vision 作者们的探索。

快速开始

1. 安装插件

普通 npm / npx 安装只需要一条命令：

npx @deepseek-ai/dsh plugin --profile web add dsh-vision-router

[!WARNING] 如果这个 profile 里已经有通过 cordis.patch.yml 手动挂载的社区插件，不要再把这种旧式加载方式与 dsh plugin add / dsh plugin list 混用：当前 DSH CLI 可能同时把带 bundle patch 的依赖追加到 dsh.profile.bundles，导致这些插件被重复注册。请先把原有手动插件迁移到 bundle 管理方式，或继续沿用手动安装路径。详见 deepseek-harness Discussion #2889。

[!NOTE] 第三方 dsh-web-plugin-manager / dshpm v0.4.2+ 现已兼容：其质量门已正确放行作为运行时依赖的 @deepseek-ai/schemastery。上面的官方 DSH CLI 仍是推荐安装方式。

如果你是从 DeepSeek Harness 源码仓库通过 pnpm 运行，dsh 不一定在系统 PATH 里，请改用工作区脚本：

cd deepseek-harness
pnpm dsh plugin --profile web add dsh-vision-router

如果你已经全局安装 DSH CLI，并且终端里能直接执行 dsh，也可以继续使用较短的 dsh ... 写法。安装完成后，按你平时的方式启动或重新加载 DSH Web 即可。

[!NOTE] 如果你是把插件首次安装进一个已经长期运行的 Web 进程，需要让 DSH Web 进程重新加载一次插件本体。插件加载完成后，新增/删除模型、修改自动识图包装范围都会热更新，无需再重启 DSH。

2. 在聊天页切换到「+ 自动识图」模型组

插件加载后会自动发现 设置 → 模型 里已启用的模型组，并为它们额外创建同名的自动识图入口。例如：

opencode-go                 ← 原模型组，保持不变
opencode-go + 自动识图       ← 发图片时选这个

[!IMPORTANT] 发图前，请点击聊天页输入区右下角的模型选择器，选择带「+ 自动识图」的模型组。

Vision Router 故意不修改原模型组。因此如果当前仍选着原来的纯文本 opencode-go / DeepSeek 路由，DSH 会在插件处理图片之前先提示“当前模型不支持图片”。这不是视觉后端配置失败，只是还没有切到自动识图入口。

这个模型组的模型列表会跟随 DSH 的模型目录实时同步；新增模型或修改包装范围后无需重启。

3. 直接粘贴或上传图片

选好「+ 自动识图」模型组后，直接往对话里贴图即可。默认情况下完整视觉工具表从会话开始就保持稳定，Agent 可直接调用 vision_describe、vision_ground、vision_crop 等工具看图，需要时连续多步操作。

默认已经有内置 OVH 匿名视觉兜底，无需注册、无需 Key。聊天页右下角只选择“脑子/会话模型”；视觉模型不要在那里选。高级配置在 设置 → 插件 → 插件配置 → 视觉路由（自动识图）：视觉后端链每一行都可以选择 设置 → 模型 中任意可调用的生成式用户模型。DSH 的图片能力声明现在只作提示：未声明图片能力、甚至被标成仅文本的模型也会列出并给出警告。运行时永远先通过该供应商已注册的 DSH adapter 实际调用，因此 WebSocket、RPC 和私有协议都保留原生传输；只有明确识别为 http(s) OpenAI Chat Completions 的渠道才可能进入 HTTP 直连兼容兜底。实际调用失败后自动尝试下一后端；一行都不填也可以，OVH 免费链会固定在最后兜底。插件内部的 Vision HTTP 只是传输实现，不是用户需要选择的模型组。

实际效果

左：一次图片轮——用户发图，Agent 通过免费链路调用 vision_describe 并作答。右：最终的结构化解读。

免费视觉 Key 渠道

内置 OVH 兜底是匿名设计，OVH 对匿名访问的限制是每 IP、每模型 2 次/分钟。觉得不够用时，下面这些渠道都有免费且额度大得多的视觉模型——全部免费注册，无需为免费档付费。免费政策轮换频繁，下表是 2026 年 8 月快照，依赖前请以各家控制台为准。

| 渠道 | 免费视觉模型 | 免费额度 | 大陆直连 | Key 领取 | |---|---|---|---|---| | OVHcloud AI Endpoints（access key） | Qwen2.5-VL-72B-Instruct——与内置兜底同一个端点 | 400 次/分钟/项目/模型（对比匿名 2 次/分钟） | ✅ | 注册 OVH 账号 → Public Cloud 项目（需挂支付方式；免费模型不扣费）→ AI Endpoints access key | | 智谱（bigmodel.cn） | glm-4.6v-flash · glm-4.1v-thinking-flash · glm-4v-flash——三个永久免费模型，串起来容量 ×3 | token 不限量 | ✅ | open.bigmodel.cn → API keys | | 阿里云百炼 | qwen3-vl-flash（限免）与 Qwen-VL 系列 | 新用户每模型系列 100 万 token / 90 天 | ✅ | bailian.console.aliyun.com | | Intern AI（上海AI实验室） | internvl-latest · internvl3.5-latest | 30 RPM，9000 万 token/月 | ✅ | chat.intern-ai.org.cn | | Groq | meta-llama/llama-4-scout-17b-16e-instruct（原生多模态，最多 5 张图） | 30 RPM / 14,400 次/天，免卡 | ❌ 需代理 | console.groq.com | | Google AI Studio | gemini-2.5-flash · gemini-2.5-flash-lite | 10–30 RPM / 500–1,500 次/天 | ❌ 需代理 | aistudio.google.com | | NVIDIA NIM | meta-llama/llama-3.2-11b-vision-instruct · nvidia/nemotron-nano-12b-v2-vl | 40 RPM，免卡 | ⚠️ | build.nvidia.com | | OpenCode Zen | mimo-v2.5-free（视觉 + 代码） | 30 RPM / 500 次/天 | ⚠️ | opencode.ai/zen | | OpenRouter | google/gemma-4-26b-a4b-it:free · google/gemma-4-31b-it:free | 未充值账户 50 次/天 | ❌ 需代理 | openrouter.ai |

以上渠道都能以 httpProviders 条目加入视觉链（Key 放对应环境变量或 ~/.dsh/.credentials.yaml），链路会先尝试你的条目、再落到匿名兜底。

[!NOTE] 免费政策随时可能调整——Cerebras 已在 2026 年 7 月取消免费档（改为一次性 $5 赠金），SambaNova 免费档收紧到 20 次/天，Hugging Face 只剩 $0.10/月。第三方“:free 中转”聚合站刻意不列入：轮换频繁、无 SLA，部分还存在违反上游条款的转售行为。

亮点

• 原图像素，真实答案。 视觉链按原始分辨率读图（仅为保护延迟/额度自动缩放）；你的问题随图一起发送，答案围绕你的问题，而不是一段泛泛的描述。
• 自动降级 + 分类报错。 地区限制、ToS 风控、402 额度、429 限流、上下文超长、网络故障——链路逐供应商尝试，全部失败才报错并给出可操作的建议。遇到 429 会立即尝试下一后端，并按 Retry-After 开启冷却，不会在单次请求内睡眠等待。
• 图片记忆。 视觉答案按附件内容哈希缓存；后续文字轮用记录的描述替换历史图片（标注为不可信证据），DeepSeek 真正“记得”之前发过的图，且不重复消耗视觉调用。
• 可验证的像素闭环。 参照图 → vision_html_screenshot → vision_pixel_diff（差异率 + 红色热力图 + 最差区域排行）→ 修复 → 再对比，直到差异收敛。UI 还原从“目测”变成“实测”。
• 稳定工具 schema。 默认从会话开始就注册完整 14 个深看工具，避免图片轮中途扩展工具列表导致长上下文的 KV / prefix cache 失效。仍保留 progressiveTools: true 作为高级启动期 opt-in；开启后才使用 vision_activate 按需挂载。详见 docs/progressive-tools-cache.md。
• 选择性代理。 只有配置的视觉供应商域名走本地代理；DeepSeek 保持直连。

像素闭环实测

Agent 仅根据参考图复刻 UI，再用 vision_pixel_diff 验证最终结果：最终差异 2.54%（32,939 / 1,296,000 个差异像素，threshold 16/channel）。

工作原理

视觉模型只当眼睛，DeepSeek 始终是大脑。图片轮永远不会被一次性视觉答案“劫持”——Agent 自己驱动工具，可以跨多个步骤持续对同一张图操作。

工具

默认 progressiveTools: false：14 个深看工具从插件启动时就保持常驻，文本轮和图片轮都可直接调用。若你在 profile / composition 的 cordis.patch.yml 中显式开启 progressiveTools: true，才会恢复渐进模式：初始只暴露 vision_activate，首次需要时再挂载完整工具，并注册 vision-tools 技能。该开关是启动期配置，修改后需重启 DSH。全部工具基于 sharp / potrace / tesseract / 系统 Chrome——无 Python：

图中展示 11 个图像处理工具；另有负责持久展示图片的 vision_present 与可选 1+x 结构化首遍识别的 vision_bootstrap，默认深看工具集共 13 个。若启动时显式开启隐私敏感的 vision_screenshot，则额外增加为第 14 个工具。

| 工具 | 作用 | 产物 | |---|---|---| | vision_bootstrap | 可选 1+x 结构化首遍视觉识别；先建立任务无关证据底图，再至少进行 1 次后续视觉调用 | — | | vision_describe | 看图问答 / 多图对比 / 结构化证据 JSON 模式（摘要 + 布局区域 + 实体清单 + 原文转写） | — | | vision_materialize | 把已授权附件复制到会话工作区并返回真实文件路径，供本地 OCR/解析器降级使用；不调用视觉模型或网络 | image copy | | vision_ground | 定位目标 → 原图像素框 x1/y1/x2/y2 | 标注 PNG（可选） | | vision_detect | 盘点某类元素（按钮/输入框/链接…）→ 编号清单 + 原图像素框 | 编号标注 PNG | | vision_crop | 按像素框裁剪放大 | PNG | | vision_present | 把生成或编辑后的本地图片发布为持久聊天附件，供用户查看 | 图片附件 | | vision_pixel_diff | 逐像素对比：差异率 + 最差 8×8 网格区域 | 红色热力图 PNG + JSON 报告 | | vision_colors | 主色提取（十六进制 + 占比） | — | | vision_ocr | 文字转写：本地 tesseract（中英）优先，视觉模型兜底 | — | | vision_trace | SVG 矢量化（potrace 分色；图标/logo） | SVG | | vision_extract_foreground | 边界洪泛抠图（纯色背景） | 透明 PNG | | vision_html_screenshot | 给本地 HTML 文件截图（无头系统 Chrome）；fullPage: true 截整页并返回 pageHeight | PNG | | vision_screenshot | 默认关闭，必须显式开启隐私开关。 截取 Windows 虚拟屏幕、macOS 主显示器或 Linux 根窗口；Windows 使用 PowerShell CopyFromScreen，macOS 使用 screencapture，Linux 需安装 ImageMagick import 或 scrot；identify=true 可按顺序尝试已启用的本地识别后端并返回路径+识别文本 | PNG / +描述文本 | | vision_long_screenshot_ocr | 长截图转写：重叠分片，tesseract 优先 / 视觉模型回退，按序拼接 Markdown | 分片 PNG + Markdown + manifest |

图片格式按魔数识别，无扩展名的内容寻址附件文件也能直接用（不用再复制成 .png）。

常用流程

vision_ground image="ref.png" target="发送按钮"
vision_detect image="page.png" target="输入框"
vision_crop   image="ref.png" region="1067,841,1108,881"
vision_present path="rebuilt.png"
vision_describe paths=["ref.png","impl.png"] question="列出两图的差异" json=true
vision_pixel_diff original="ref.png" rebuilt="screenshot.png"
vision_ocr image="screenshot.png"
vision_colors image="ref.png" top=8
vision_trace image="icon.png" steps=4
vision_extract_foreground image="logo.png"
vision_html_screenshot source="page.html" width=1200 height=720
vision_html_screenshot source="page.html" width=1200 height=720 fullPage=true
vision_long_screenshot_ocr image="chat-log.png" chunkHeight=1200 overlap=120

供应商降级链

视觉工具按顺序逐个尝试，全部失败才报错：

1. 用户视觉模型：设置卡里一行一个，从上到下；已启用供应商即使模型枚举部分失败也会保留在下拉中，可调用的生成式模型继续可选，图片能力声明只作提示，最终以运行时实际调用为准；
2. 本地 Ollama（可选，默认关）：localOllama.enabled 开启后，通过本机 Ollama 做免 Key、离线识别（例如 qwen2.5vl）；
3. 本地 LM Studio（可选，默认关）：localLmStudio.enabled 排在 Ollama 之后，模型名必须填写 LM Studio Developer 页或 /v1/models 返回的真实标识；
4. 高级自定义 HTTP 视觉端点：旧配置/高级配置中的 httpProviders 排在本地后端之后；
5. 内置 OVH 匿名免费兜底：固定最后尝试，不需要出现在任何模型选择器里。当前内置链按质量优先为 Qwen3.5-397B-A17B → Qwen2.5-VL-72B-Instruct → Qwen3.6-27B → Mistral-Small-3.2-24B-Instruct-2506 → Qwen3.5-9B。OVH 匿名限额为 每 IP、每模型 2 次/分钟；5 个模型是独立限额，因此理论上分散请求可到约 10 次/分钟，实际仍以 OVH 当时的限流为准。免注册、免 Key。想提额度？详见免费视觉 Key 渠道——同一个端点挂免费 access key 后是 400 次/分钟。

[!IMPORTANT] 这里的“视觉链”是 Vision Router 调用的眼睛：设置页里每一行只选一个用户视觉模型；聊天页右下角选择的是脑子/会话模型，两者完全分开。纯文本 DeepSeek / opencode 不会出现在视觉后端下拉里；内部 Vision HTTP 也不会再暴露给用户。

在旧版 routing: true 模式下，整轮链只走 provider + fallbacks——httpProviders（含免费兜底）不参与。默认的 routing: false（工具优先）会尝试全部。

失败会分类（地区 / 风控 / 额度 / 限流 / 上下文 / 网络），最终报错附带建议；遇到 429 会立即尝试下一后端，并按 Retry-After 开启有上限的熔断冷却。超大上传图在调用前自动压缩（默认预算 400 万像素），保证工具调用不卡。

隐身模式

隐身模式默认关闭（issue #34 起显式 opt-in）：关闭时官方 deepseek-official 路由原样保留，发图走选择器里可见的「DeepSeek + 自动识图」包装入口。

开启隐身模式后，插件接管官方 deepseek-official 路由：模型选择器看起来和原版完全一样（同一个 DeepSeek 组、同样的模型名），但每个条目背后都是声明了图片输入的自动识图包装；文字轮交给插件重建的原生 DeepSeek 适配器（读取同一个 llm-deepseek 设置段与凭据）。老会话通过隐藏的 deepseek-vision 别名继续工作。接管的前提是官方行不在场——在你的 profile 补丁层（~/.dsh/profiles/<profile>/cordis.patch.yml）禁用即可：

- id: llm-deepseek
  name: '@deepseek-ai/dsh-llm-deepseek'
  disabled: true

官方行在场时，插件自动回退为可见包装入口。反过来，隐身模式关闭但官方行仍被禁用时，插件会做 keep-alive 兜底接管，保住 DeepSeek 模型（设置卡片会给出提示）；想完全恢复官方原生行，把上面的 disabled 改回 false 再重启即可。

隐身模式只作用于官方 DeepSeek 路由。opencode 等自定义/第三方文本路由与隐身模式无关——默认会被自动包装成「+ 自动识图」模型组。

自动识图模型组与手动包装

默认开启 autoWrapProviders：插件会自动发现 设置 → 模型 中当前已启用的 provider / model，并额外注册同名的「+ 自动识图」模型组。原模型组完全不变；发图片时选自动识图组，纯文字仍可继续用原组。DSH 的 llm/adapters-updated 变化会触发同步，所以新增/删除模型后无需重启。

wrappedProviders 是可选的手动范围控制，不是普通用户必须配置的步骤。只有两种情况需要它：

1. 关闭了自动包装，想手动指定哪些 provider / model 获得自动识图入口；
2. 自动包装保持开启，但只想让某个 provider 的部分模型出现在「+ 自动识图」组。

设置卡片里用两个下拉（provider + 模型）配置；模型留空 = 包装该路由的全部模型，同一 provider 要限定多个模型就添加多行。修改即时生效，无需重启。

Web 设置

Web 配置页在 设置 → 插件 → 插件配置 下注册「视觉路由（自动识图）」卡片，顶部会直接提示最重要的使用步骤：回到聊天页 → 右下角模型选择器 → 选择「+ 自动识图」模型组 → 发图。其余设置主要用于高级定制：

• 自动创建「+ 自动识图」模型组：默认开启，自动发现已有模型；模型目录变化热更新，无需重启；
• 手动限定自动识图范围（可选）：仅在需要关闭自动包装或限制部分模型时使用；
• 视觉后端链：给 vision_describe 等视觉工具调用的真正图片模型，默认内置免费 Qwen 即可；不要填纯文本模型；
• 开关：整轮自动路由（旧模式）、识图工具、图片块改写、隐身模式（仅官方 DeepSeek 路由）；
• 视觉请求超时、包装/链路由名、代理等高级参数；
• 每个字段都有「已覆盖」徽标与一键恢复组合默认，以及放弃/保存；
• 「测试连接」按钮优先探测已启用的本地后端，并校验所填模型是否出现在 /v1/models；否则探测第一个可用视觉提供方；
• 产出制品的工具在对话里渲染专用调用卡（关键字段 + 打开文件按钮）。

PR #8 会把面板升级为目录驱动的模型下拉框、可增删的备用模型行与代理设置。

配置项

全部可选，默认即可用。通过 Web 卡片或 profile 补丁修改：

| 字段 | 默认值 | 含义 | |---|---|---| | provider / model | vision-http / ovh/Qwen2.5-VL-72B-Instruct | 简写视觉后端链路（有适配器且真正支持图片输入的供应商 + 模型） | | fallbacks | [] | 简写视觉供应商的备用图片模型 | | providers | 内置免费 vision-http 条目 | 多供应商视觉后端链 { provider, model, fallbacks[] }，按序尝试；优先于简写形式。不要填写纯文本模型 | | httpProviders | 内置 OVH 条目 | OpenAI 兼容直连端点 { name, baseURL, model, apiKeyEnv, maxTokens } | | autoWrapProviders | true | 自动发现当前已启用 provider / model，并热更新同名「+ 自动识图」模型组；原模型组不变 | | wrappedProviders | [{ provider: 'deepseek-official', models: [] }] | 可选的手动包装范围 { provider, models[] }；用于关闭自动包装后手动指定，或限制某个 provider 只包装部分模型。改动即时生效，无需重启 | | routing | false | 旧版整轮链路由（一次性整轮回答）。false = 工具优先流程（推荐） | | reverseRouting | true | 开启 routing 时，文字轮路由回 textProvider | | wrapperRoute / chainRoute | deepseek-vision / vision-chain | 准入包装路由名 / 降级链路由名（置空关闭） | | stealth | false | 接管官方 deepseek-official 路由（仅官方行；自定义路由默认由自动包装处理） | | textProvider | deepseek-official / deepseek-v4-pro | 负责思考的模型（你的日常模型） | | tool / progressiveTools / autoActivateOnImage | true / false / true | 视觉工具总开关 / 渐进式挂载（默认关闭以稳定工具 schema）/ 渐进模式下图片轮自动挂载；progressiveTools 为启动期配置 | | rewriteImages | true | 模型输入层改写图片块（缓存描述或工具提示标记）；界面日志保留图片 | | desktopScreenshot | false | 模型可调用的 vision_screenshot 桌面截屏隐私开关；每次截屏前实时检查 | | freeFallback | true | 在显式本地/自定义 HTTP 后端之后追加匿名 OVH 模型；关闭它不会停用用户明确配置的本地后端 | | localOllama | { enabled: false, baseURL: 'http://127.0.0.1:11434/v1', model: 'qwen2.5vl', format: 'openai' } | 本地视觉后端（并入自 dsh-vision）：开启后 local-ollama 排在 HTTP 视觉链最前；Ollama 未运行会自动跳过；format 可选 openai（/chat/completions）或 anthropic（/messages）；可选的 temperature / top_p 只在显式填写时发送。v1.7 会预热本机 loopback 模型并续期 30 分钟驻留，冷加载时间不再计入正常识图截止时间 | | localLmStudio | { enabled: false, baseURL: 'http://localhost:1234/v1', model: '', format: 'openai' } | 本地 LM Studio 后端（并入自 dsh-vision）：排在 Ollama 之后、自定义/云 HTTP 后端之前；开启时必须填写 LM Studio Developer 页或 /v1/models 返回的真实模型标识；可选采样参数同 Ollama，format: 'anthropic' 需 LM Studio 0.4.1+ | | instantDescribe | false | 即时本地翻译（并入自 dsh-vision）：开启且至少一个本地后端可用时，在第一模型步之前识别无缓存图片块；Ollama → LM Studio 共用总超时预算，多图并发上限 3，失败则回退静态工具标记 | | localDescribeStyle | plain | 本地识别输出风格（并入自 dsh-vision）：plain = 平铺描述；structured = 结构化识别（【初步判断】/【细节】/【空间结构】/【原图尺寸】），截图分析质量更高 | | downscale / downscaleMaxPixels | true / 4000000 | 调用前压缩及其像素预算（延迟保护） | | cache / cacheTtlSeconds / cacheMaxEntries | true / 3600 / 200 | 视觉答案缓存 | | timeoutMs | 120000 | 单次视觉调用超时 | | artifactsDir | .dsh-vision-router/artifacts | 产物目录（相对会话工作区） | | proxy / proxyHosts | '' / openrouter 域名 | 仅视觉供应商域名可选的本地代理 | | catalogCorrections | true | 内置目录纠错：当已安装的 pi-ai 目录把已知模型路由到错误协议时（例如 opencode-go/qwen3.6-plus 被指向 OpenAI chat completions，而 OpenCode Go 只在 /v1/messages 上提供该模型），插件直接按正确协议应答该后端；上游目录修复后每条纠错自动失效 |

本地 Ollama 视觉后端（并入自 dsh-vision）

增量开发作者：shaoqiuyuavailable（router 本地视觉增量）

思路来源：本地视觉后端（Ollama / LM Studio 双后端、即时识别、结构化输出、截屏识别、同图去重记忆、失败降级占位、并发防雪崩、超时防护）的思路继承自 dsh-vision——本项目将其并入 HTTP 视觉链，并在此基础上扩展了逐级降级链与双协议支持。

可选的本地优先视觉路径：不需要 Key，支持隐私、零费用、离线识别。它作为 HTTP 视觉链里的 local-ollama 接入；若本地识别失败，除非用户明确配置纯本地链，否则仍可能继续尝试已配置的云后端。

1. 安装 Ollama 并拉取视觉模型

# https://ollama.com —— 然后：
ollama pull qwen2.5vl

2. 开启 —— 设置卡片「本地视觉」组，或 profile patch：

- id: vision-router
  config:
    localOllama:
      enabled: true
      baseURL: 'http://127.0.0.1:11434/v1'   # OpenAI 兼容端点
      model: 'qwen2.5vl'
      temperature: 0.5                        # 可选；识别用低温更稳
      top_p: 0.8                              # 可选；留空 = 服务端默认
    instantDescribe: true                     # 图片轮第一轮即本地识别
    localDescribeStyle: 'structured'          # 'plain' | 'structured'

3. 行为说明

• 开启后 local-ollama 排在 HTTP 视觉链最前。若要严格纯本地，请移除云视觉行/自定义 HTTP 端点，并关闭 freeFallback。
• **v1.7 冷启动处理：**选中的本机 loopback Ollama 模型会通过原生 API 预热并保持 30 分钟驻留。如果模型在 Ollama 作为首个图片后端时已经冷却，加载会在正常视觉任务预算开始之前完成；短 /api/ps 探测保证服务未运行/挂死时仍快速进入 fallback。远程 Ollama URL 不会自动预热。
• LM Studio 同理——同一「本地视觉」组里开启 localLmStudio，填 OpenAI 兼容端点（默认 http://localhost:1234/v1），并使用 Developer 页或 /v1/models 返回的真实模型标识。它排在 local-ollama 之后、自定义/云 HTTP 后端之前。
• 每个本地后端可通过 format 选择 OpenAI 或 Anthropic 格式（默认 openai）。Anthropic 模式走 /v1/messages，带 anthropic-version 并把图片转为 base64 source；只有配置了 Key 才发送 x-api-key。LM Studio 需 0.4.1 或更高版本才提供该端点。
• 任一本地后端未运行或调用超时时自动跳过，继续降级到云链——任何调用都不受影响。
• instantDescribe 会在第一模型步之前按 Ollama → LM Studio 的顺序尝试已启用本地后端。多张无缓存图片并发识别（上限 3），单张失败不影响其余；命中附件记忆的图片不会再次请求本地服务。
• vision_screenshot 默认关闭。单独开启「桌面截屏」隐私开关后，identify=true 使用同样的 Ollama → LM Studio 降级顺序。
• 日志中的 image turn — instantDescribe=… localBackends=… 显示实时决策；instant local describe recognized N/M uncached image(s), C cached, F failed attempts 显示本轮结果。

环境要求

• DeepSeek Harness 的 Web profile。普通安装可用 npx @deepseek-ai/dsh ...；从源码仓库运行时用 pnpm dsh ...。只有 CLI 已经进入系统 PATH 时才能直接写 dsh ...。
• Node ≥ 22（宿主侧）。
• 默认免费链路无需 API Key；付费 httpProviders 只需一个凭据引用（apiKeyEnv）。
• 只有 vision_html_screenshot 需要 Chrome / Chromium / Edge；其余工具无浏览器也能用。
• 桌面截屏必须显式开启。Windows/macOS 使用系统截屏能力；Linux 需安装 ImageMagick import 或 scrot，且必须处于可截取的桌面会话（Wayland 支持取决于环境）。
• tesseract 可选：本地引擎缺失时 vision_ocr 自动退回视觉模型。

安装与生命周期

安装

普通 npm / npx 安装——一条命令：

npx @deepseek-ai/dsh plugin --profile web add dsh-vision-router

[!NOTE] 如果 profile 混用了旧式 cordis.patch.yml 手动插件行与 bundle 管理方式，请先阅读快速开始里的兼容警告，再执行 DSH plugin 命令。

从 DeepSeek Harness 源码仓库运行：

pnpm dsh plugin --profile web add dsh-vision-router

可选验证：

npx @deepseek-ai/dsh --profile web --dump-config | grep vision-router
# 源码仓库：pnpm dsh --profile web --dump-config | grep vision-router

首次把插件装进已经长期运行的 Web profile 时，需要让 Web 进程重新加载插件本体；宿主在启动时通过 dsh.client 声明发现浏览器端包。插件加载完成后，模型目录与包装范围的变化会热更新，不需要为这些变化重启。

Oh-DSH Desktop

Oh-DSH Desktop 自带一套独立打包的 DSH 运行时和独立的数据目录：桌面端实际运行的是 ~/.ohdsh 下的 desktop profile，不会加载普通 ~/.dsh 的 profile。因此上面 --profile web 的命令在 Oh-DSH Desktop 上会装错环境。

把 DSH_HOME 指向 Oh-DSH 的数据目录再安装即可：

DSH_HOME=~/.ohdsh npx @deepseek-ai/dsh plugin --profile desktop add dsh-vision-router

（Windows PowerShell 先执行 $env:DSH_HOME = "$env:USERPROFILE\.ohdsh"，再运行同一命令。）

[!WARNING] Oh-DSH Desktop ≤ 0.1.5 内置的是 DSH 0.1.0-rc.5。dsh-vision-router v1.4.1 及更早版本会让该运行时在启动时崩溃（报 configurable provider "deepseek-official" is already declared，在 Oh-DSH Desktop 里表现为 DSH runtime exited before readiness）。请安装 v1.4.2+。

如果错误安装已经导致 Desktop 无法启动：打开 ~/.ohdsh/profiles/desktop/package.json，从 dependencies 和 dsh.profile.bundles 中删掉 dsh-vision-router 条目，保存后重启 Desktop。

Oh-DSH Desktop 内置的插件市场（搜索 → 准备 → 隔离预览 → 应用，并保留 previous 快照用于恢复）在社区目录收录本插件后同样可用；不要与上面的直接安装命令混用。其内置的 @oh-dsh/vision（view_image）与本插件可共存，工具名不冲突。

禁用 / 恢复

- id: vision-router
  disabled: true

改回 false 即恢复。卸载会移除包装路由、工具、技能与设置卡片；已生成的产物文件保留。

升级

# 普通 npm / npx 安装 —— 显式安装目标版本；裸 `update` 会被 pnpm v11
# 静默拦下发布不足 24 小时的新版本
npx @deepseek-ai/dsh plugin --profile web add dsh-vision-router@<版本号>

# DeepSeek Harness 源码仓库
pnpm dsh plugin --profile web add dsh-vision-router@<版本号>

设置存放在 profile 的设置提供方里，升级不丢失。设置卡里的一键更新会自动显式安装 registry 已确认的版本，并在命令结束后核对实际安装版本——绝不只凭包管理器退出码就报成功。

新版本一直不生效（downloaded 0 / added 0）： pnpm v11 会拦下发布不足 24 小时的版本；按上面方式显式安装目标版本（pnpm 会自动写入豁免），或运行 npx dsh-vision-router repair 修复过期的带版本号豁免条目后，更新立即生效。

从 bundle 补丁之前（v0.x）升级： 现在插件由自带的 bundle 补丁自动挂载， 若 ~/.dsh/profiles/<profile>/cordis.patch.yml 里还残留旧版手动行，会与之 重复，dsh web 启动即报 duplicate loader entry id: vision-router。删除 旧块：

- insert:            # 删除整块
    - id: vision-router
      name: dsh-vision-router

若要保留自定义配置，改为不带 insert 的按 id 覆盖行：

- id: vision-router
  config:
    # 你的配置…

从 v1.1.x 升级后像素工具报 colourspace: parameter space not set： 这是 v1.1.0 时代自带的 sharp 0.34.0 残留在 profile 里、与宿主 sharp 0.35.3 同进程 DLL 冲突所致（issue #42 / #75）。删除 ~/.dsh/profiles/<profile>/node_modules/sharp 与 ~/.dsh/profiles/<profile>/node_modules/@img 后重启，或在 profile 目录执行 pnpm install 重装依赖即可。v1.2.2 起插件会在检测到残留版本时直接告警并 给出同样的指引。

卸载

# 普通 npm / npx 安装
npx @deepseek-ai/dsh plugin --profile web remove dsh-vision-router

# DeepSeek Harness 源码仓库
pnpm dsh plugin --profile web remove dsh-vision-router

同时移除依赖与 bundle 层。若你曾手动禁用官方 DeepSeek 行，记得在 profile 补丁里恢复。

故障排查

与 dsh-web-ui / dsh-web-ui-all 共存

如果同时安装了 dsh-web-ui / @linxin666/dsh-web-ui-all，其中的 dsh-tool-describe-image 发送钩子可能会在 Vision Router 拿到原始 image block 之前，先把图片改写成 describe-image 引用。

dsh-web-ui 现在已经提供显式兼容开关：进入 设置 → 插件配置 → 图像理解，关闭「发送时改写图片为 describe-image 引用」，或配置 interceptImageSend: false。关闭后，带图发送会原样放行，dsh-vision-router 就能继续收到原始 image block。该开关每次发送都会动态读取，因此无需重装/卸载 hook，也不需要重启 DSH。

上游兼容改动见 dsh-web-ui#301。

启动报错 Unexpected token ... is not valid JSON（UTF-8 BOM）

现象：dsh web / pnpm dsh web 启动时直接退出：

SyntaxError: Unexpected token ...
is not valid JSON
at JSON.parse (<anonymous>)
at readProfileManifest (packages/boot/app-boot/src/profile.ts)

原因：~/.dsh/profiles/<profile>/package.json 被某些编辑器保存成了 UTF-8 with BOM。文件最前面多了一个不可见的 \uFEFF 字符，dsh 读取 manifest 时直接 JSON.parse，而 JSON 不允许在开头出现这个字符，于是解析失败。

推荐修复：直接运行 Vision Router 自带的独立修复命令。它不需要 DSH 先成功启动，会定位 profile、检测 UTF-8 BOM，只删除开头的三个 BOM 字节，然后重新验证 JSON：

npx dsh-vision-router repair --profile web

只想检查、不修改文件时：

npx dsh-vision-router doctor --profile web

如果你使用的不是 web profile，把 web 换成对应名称；也可以不传 --profile，让 doctor 扫描全部 profile。

手动兜底方式：VS Code 右下角编码 → “通过编码保存” → 选择 UTF-8（无 BOM）。若 repair 去掉 BOM 后仍提示 JSON 非法，它不会猜测或重写其他 JSON 内容，请再手动检查文件。

安全说明

• 图片中的文字是不可信证据：描述、OCR 输出与自动挂载提示都要求 Agent 绝不执行图片内出现的指令。
• 工具输入经由 ctx.fs（沙盒感知）解析；视觉上传只发送选中的图片与问题本身。
• 产物只写入 <workspace>/.dsh-vision-router/artifacts；结果返回绝对路径与字节数。
• 密钥不上线：apiKeyEnv 只指向 DSH 凭据引用，值按调用解析、永不写入日志。
• 设置写入走设置服务（schema 校验 + 修订号检查）——过期或非法的保存会被拒绝，不会半截生效。

License

MIT

Star 趋势