dsh-vision-skill

August 18, 2026 · View on GitHub

给纯文本模型（DeepSeek Harness 等）补上「眼睛」的识图技能：本地 Node 脚本调用 OpenAI 兼容视觉模型，自动识别聊天里出现的图片（Web 附件 / 本地路径 / URL）。

融合 ModLens 优点：结构化 JSON 契约（--schema）、输出校验重试、多供应商 failover、guard 判定。

功能

  • 自动触发：Web 端拖入/粘贴图片 → 自动识别（attachmentId / 路径 / URL）
  • 结构化输出：--schema img2img（生图用：subject/visual(hex 主色)/semantics）、--schema ecom（电商商品）、--schema ground（主体 bbox 定位）；输出结构损坏自动重试
  • 多 API key / 多供应商：主供应商（VISION_*，模型链自动降级）+ 备用（VISION2_*）+ OpenAI 兼容（OPENAI_*）+ 任意多个（VISION_PROVIDERS JSON 数组）；全部失败输出尝试记录（meta.attempts）
  • guard 判定：node vision.js guard 检查配置可用性（DSH 默认模型无原生视觉，图片一律走脚本）
  • 模型策略：性能优先 + 发布时间最近优先（qwen3.8-max → qwen3.7-plus → ...）

核心优点（对比 ModLens）

本 skill 的设计吸收自 liustack/modlens（结构化 JSON 契约 / 输出校验重试 / 多供应商 failover / guard 判定），但在以下方面做了差异化增强：

维度ModLens（liustack/modlens）dsh-vision-skill（本 skill）
形态dsh 原生插件（npm 包 + 工具注入 + 模型变体）零依赖单文件 vision.js，纯 Node 内置模块，任意 harness 即拷即用
供应商策略复用本机已有登录态池（Claude Code/Codex/OpenCode/Pi）显式模型链：DashScope 6 模型按性能+最新排序自动降级 → VISION2_* → OpenAI 兼容 → Qoder CLI，优先级可精确控制
输出契约通用证据型 JSON（OCR 转录/版面/实体关系）三种领域 schema（img2img 生图 / ecom 电商 / ground 主体定位）+ 输出校验自动重试，直接喂下游生图/电商
零 key 识图需本机已有视觉模型登录态，或配 Gemini key / Antigravity CLIQoder CLI：spawn QoderCN 账号识图，零 API key，绕过欠费/配额；多端 CLI 复用为规划能力——已预留 codex-cli 骨架（检测到 ~/.codex/auth.json 登录态自动启用，复用 ChatGPT 订阅视觉模型），未登录自动隐藏，零副作用
生态集成独立插件img2img-studio 的 L1 识图层、file-intake 统一路由、dsh-vision-config 面板（多 key 三级优先级/开关/欠费自动关停探测）
可观测性结果标注额度来源meta.attempts 记录每次尝试的 provider/model/error/warnings，失败如实报告绝不编造
语言场景英文为主中文契约（中文 prompt schema + 中文文档），识别欠费错误码（Arrearage / FreeTierOnly）自动提示
轻量度完整插件体系（需安装维护）单文件 + .env，删除即完全卸载

一句话：ModLens 胜在「粘贴即用、多端复用登录态」；本 skill 胜在「可编程的降级链 + 领域契约 + 零 key 通道 + 自研生态闭环」——尤其适合需要精确控制供应商优先级、下游接生图/电商流水线的场景。

其余核心优点：

  • 多供应商自动降级链：DashScope 模型链（6 个，性能+最新优先）→ 备用 VISION2_* → OpenAI 兼容 → Qoder CLI；主链全挂自动切换，meta.attempts 完整记录每次尝试
  • 结构化 JSON 契约：--schema img2img / ecom / ground 强制输出 schema，输出校验 + 自动重试，下游直接消费，杜绝幻觉 JSON
  • CLI 供应商架构：支持 spawn 外部 CLI（QoderCN）识图——零 API key 也能识图（Qoder 账号额度），绕过欠费/配额限制
  • guard 判定：先探测配置可用性再决定是否走脚本，避免无效调用；--list-providers 不泄露密钥
  • AUTO-TRIGGER：拖图/贴图/URL 自动识别；本地路径 / Web 附件（attachmentId）/ URL 全支持
  • 可观测：每次识别带 meta.provider/model/attempts/warnings；失败如实告知，绝不编造图片内容

安装

# 复制到 Agent 的 skills 目录（Windows）
Copy-Item -Recurse -Force "dsh-vision-skill" "$env:USERPROFILE\.agents\skills\"

依赖：Node.js 18+；一个 OpenAI 兼容视觉 API key（DashScope / 智谱 / Moonshot / OpenAI 等）。

快速开始

# 配置（scripts/.env 或环境变量）
# VISION_API_KEY=sk-...            # 必填
# VISION_MODEL=qwen3.8-max,qwen3.7-plus,qwen-vl-max   # 模型链，主失败自动降级
# VISION_PROVIDERS=[{"id":"glm","key":"sk-..","model":"glm-4v-plus","base":"https://open.bigmodel.cn/api/paas/v4"}]

# 识图（自由文本 / 结构化）
node "$env:USERPROFILE\.agents\skills\dsh-vision-skill\scripts\vision.js" "图片.png" "描述这张图"
node "$env:USERPROFILE\.agents\skills\dsh-vision-skill\scripts\vision.js" "图片.png" --schema img2img
node "$env:USERPROFILE\.agents\skills\dsh-vision-skill\scripts\vision.js" "图片.png" --schema ecom
node "$env:USERPROFILE\.agents\skills\dsh-vision-skill\scripts\vision.js" "图片.png" --schema ground

# 诊断
node "$env:USERPROFILE\.agents\skills\dsh-vision-skill\scripts\vision.js" guard
node "$env:USERPROFILE\.agents\skills\dsh-vision-skill\scripts\vision.js" --list-providers

目录结构

dsh-vision-skill/
├── SKILL.md                      # 触发规则 + 使用说明
└── scripts/
    ├── vision.js                 # 识图脚本（schema/多供应商/guard）
    ├── resolve_attachment.mjs    # Web 附件 → 磁盘路径
    └── .env.example              # 配置示例

License

MIT

说明

  • 识图结果是模型生成，可能有幻觉，关键判断请复核
  • 识别失败会自动降级供应商/模型；全部失败如实报告并输出尝试记录
  • 本 skill 常与 img2img-studio 配合作为其 L1 识图层