README.md

September 5, 2026 · View on GitHub

IRIS 彩色字标

dsh-iris

Iris 多模态生产运行时 · 当前通过 DeepSeek Harness 插件使用

DeepSeek Harness compatible npm version Node.js 20.10 or newer CI MIT License

dsh-iris 为 Agent 和 Iris 工作台提供图像、视频、语音与视觉理解能力。它可以连接 DashScope 百炼及 OpenAI Images 兼容服务；完整配置和任务管理集中在 Iris 工作台，右下角的 Iris 泡泡提供快捷入口。

项目目前处于早期版本，接口和配置格式仍可能随版本迭代调整。

Iris 的长期方向是可独立运行、可接入不同 Agent 宿主的媒体生产核心。DeepSeek Harness 是首个受支持宿主；当前版本仍需要 DSH，独立 Core、CLI 和工作台属于后续路线，尚未提供。

与 ai-paint 的关系

ai-paint 是 Iris 维护者本机未公开的前身项目，不是 Iris 的公开依赖，也不是用户需要下载、安装或自行创建的目录。没有该项目的用户直接按下文在 Iris 工作台配置供应商即可。

早期版本从维护者本机的 ai-paint 配置读取模型与凭据，既用于迁移前身项目，也让宿主进程可以在本地复用已有 API Key，避免为迁移而把密钥粘贴到 Agent 会话、命令行参数或文档中。0.1.1 将两者的配置彻底分离：Iris 只使用自己的配置；旧配置仅可通过把 IRIS_IMPORT_WORKBENCH_CONFIG 显式设为本地配置文件的绝对路径进行一次性导入，不会默认扫描 ai-paint，也不会在两边同步。该变量保存的是文件路径而不是 API Key，来源文件不会被修改；具体操作见用户指南。

最快开始

已经安装 DeepSeek Harness 0.1.2-rc.1 且 pnpm 在 PATH 中时，把 Iris 加入 Web profile：

dsh plugin --profile web add @mokuyoaxis/dsh-iris
dsh web

从当前源码目录试用时，把第一条命令中的 @mokuyoaxis/dsh-iris 换成 .。插件会在下一次 DSH 启动时装载，Web UI 默认位于 http://127.0.0.1:3080。

首次启动后，打开“设置 → Iris 工作台 → + 添加供应商”，填入 DashScope Base URL 和 API Key，再点“发现模型”。单供应商可以先使用自动能力分配。完整步骤、OpenAI Images 兼容配置和故障转移说明见用户指南。

配置完成后，最小指令可以是：

使用 iris_draw_image：画一只坐在蓝色窗边的白猫。
总结我刚上传的这张图片。
用 Iris 总结 /absolute/path/demo.mp4，再把摘要合成为语音。

DSH 的 profile 与插件命令由官方安装说明定义。生成图片、视频或语音可能产生供应商费用。

功能概览

  • 图像生成、文生视频、图生视频和 S2V 数字人视频
  • 文本转语音与音频转写
  • 看图问答、长图 OCR、目标定位、裁剪和像素差异分析
  • 视频抽帧与多模态内容摘要
  • 异步任务跟踪、重启恢复和带授权令牌的媒体播放
  • 多供应商模型池，以及按 供应商 + 模型 分配能力
  • 浏览器上传、会话附件和宿主路径三种文件来源

使用前准备

  • 满足所用 DeepSeek Harness 版本要求的 Node.js；dsh-iris 自身最低为 20.10
  • 一个可用的 DeepSeek Harness 环境，以及 PATH 中的 pnpm
  • 至少一个受支持的媒体或视觉服务供应商
  • 使用视频抽帧和视频摘要时，需要系统提供 ffmpeg 与 ffprobe

安装插件后，在 Iris 工作台中添加供应商并为所需能力分配模型。供应商密钥保存在宿主侧的 Iris 配置中；POSIX 系统上 Iris 自有目录和文件分别收紧为 0700 与 0600，界面和接口不会返回完整密钥。Windows 的 mode 不等同于 ACL，仍需依赖当前用户目录和系统账户权限。

DeepSeek Harness 适配

dsh-iris 按 DeepSeek Harness 插件形态提供服务端与 Web 客户端入口：服务端注册 14 个 Agent 工具，并复用宿主的工具、路由和生命周期服务；客户端通过 DSH 模块加载器接入设置页、会话输入区和全局悬浮层。插件不会启动独立服务或额外监听端口。

当前自动化测试覆盖插件装载、工具注册、客户端槽位和路由行为。0.1.1 已在 Linux ARM64 的干净与真实 Web profile 中，使用 DSH 0.1.2-rc.1、Node.js 22.23.2 完成宿主烟测；浏览器启动图、完整组合 bundle、Iris 客户端工厂和三个 UI 座位均已验证。Iris 自身仍以 Node.js >=20.10 为最低基线。

0.1.1 明确支持 DSH >=0.1.2-rc.1 <0.1.3-0，不再兼容 0.1.0/0.1.1 的旧客户端 Runtime。DSH 仍在快速演进，后续预览版须经验证后再扩大范围；兼容徽章不代表官方认证。若 DSH 要求更高 Node 版本，以 DSH 为准。

工具

生成、语音与任务

工具用途
iris_draw_image根据提示词生成图片
iris_generate_video生成文生视频、图生视频或 S2V 数字人视频
iris_speak_text将文本合成为语音
iris_transcribe_audio将音频转写为文本
iris_task_status查询单个任务或最近任务的状态和产物

视觉与图像处理

工具用途
iris_look_at_image对图片提问并获得视觉模型回答
iris_relook_attachment使用新问题重新查看会话中的图片附件
iris_long_ocr分块识别长截图或长图文字
iris_locate定位图片中的目标并返回像素坐标
iris_crop按像素区域裁剪图片
iris_pixel_diff比较两张图片并生成差异统计和热力图
iris_html_screenshot在受限环境中将 HTML 字符串渲染为截图

视频处理

工具用途
iris_video_frames从视频中均匀抽取画面帧
iris_media_summarize结合画面帧和可选音频转写生成视频摘要

文件输入

Iris 支持三种文件来源，推荐顺序如下：

  1. 浏览器上传：适合本地文件和跨环境访问，单文件上限为 64 MB。
  2. 会话附件：适合复用当前会话中已经上传或生成的媒体。
  3. 宿主路径：适合宿主可以直接读取的大文件。这里填写的是宿主进程看到的路径，不一定等同于浏览器所在系统的路径。

上传内容保存在 $DSH_HOME/iris/v1/uploads/，默认保留 7 天。不同系统下的路径选择建议见文件访问与跨环境。

模型分配与故障转移

能力分配使用 providerId::modelId 作为模型身份。同名模型如果来自不同供应商或不同账号，会被视为两个独立选项。

生成类能力可以配置多个候选模型。Iris 只会在上传、提交或同步生成阶段失败时尝试下一个候选项；远端服务一旦受理任务，就不会自动重新提交，以免产生重复任务或重复计费。已经受理的异步任务由任务系统继续跟踪。

转写是独立的 transcribe 能力，不会占用 TTS 或视觉能力的模型配置。

数据与任务

运行数据默认位于 $DSH_HOME/iris/v1/：

位置内容
providers.json供应商和能力分配，文件权限为 0600
tasks.json任务元数据和附件索引，最多保留 500 条
outputs/生成和处理后的媒体文件
uploads/浏览器上传的临时输入副本

0.1.1 首次装载时会收紧既有 $DSH_HOME/iris/v1/ 树的 POSIX 权限，不修改文件内容，也不跟随符号链接。大媒体下载采用流式私有临时文件与原子替换，不再把整段视频载入内存。

异步任务会在后台轮询。插件重启后，可以继续接管仍在远端执行的任务。取消信号会传递到本地等待与轮询流程；是否能取消远端计算，取决于供应商接口。

音频和视频通过带随机令牌的 Iris 媒体链接访问。图片会尽量转存为 DSH 持久附件，方便在会话中继续使用。

安全说明

  • 供应商密钥不会通过状态接口返回。
  • DashScope 媒体协议只允许把密钥发送到阿里云官方 HTTPS 域名；其他 Base URL 默认推断为 OpenAI Images 兼容协议。
  • /iris/* 默认只接受回环 Host；LAN 或反向代理必须显式设置 IRIS_TRUSTED_HOSTS，修改状态的请求还会检查跨站来源。
  • IRIS_TRUSTED_HOSTS 不是认证机制。对公网或不可信网络开放 DSH 时，必须在反向代理或宿主层配置身份认证与 HTTPS。
  • 模型实测只按单项能力运行，并在真实供应商调用前确认；视频和转写不会用空样本自动提交付费探针。
  • HTML 截图在不具备同源权限的沙箱页面中渲染，脚本和外部网络默认不可用。
  • 媒体链接使用随机能力令牌，文件路径只从任务记录解析。
  • Iris 不提供独立账号体系，多用户隔离和访问控制由 DeepSeek Harness 部署负责。

已知限制

  • sharp 包含原生组件；主要支持 glibc Linux、Windows 和 macOS。裸 Termux 等非标准运行环境可能需要额外处理。
  • 视频抽帧和视频摘要依赖系统安装的 ffmpeg 与 ffprobe。
  • HTML 截图不加载远程脚本、字体或图片；需要的资源应先内联。
  • WSL、容器和远程部署中，浏览器路径通常不能直接交给宿主读取，请优先上传文件。
  • 供应商返回的模型清单只是候选集合，模型是否真正支持某项能力仍以实际调用为准。

Agent Skills

源码和 npm 包附带两个仓库级预览 Skill：

Skill适用场景
iris-verify-ui组合截图、语义检查、元素定位、裁剪和像素比较，完成有证据的 UI 验收
iris-compose-media组合两个以上 Iris 工具，完成看图后绘图、图片转视频、视频总结配旁白或 S2V 等媒体工作流

当 DSH 会话以本仓库为项目目录且启用了文件系统 Skill 服务时，可以直接发现它们。当前版本尚未在插件启用时自动向其他项目注册这些 Skill；14 个 Iris 工具不受影响。

开发与验证

在项目目录运行：

npm test

测试覆盖配置合并、模型身份、任务生命周期、生成动作、HTTP/SSE 路由、客户端交互和安全边界。项目采用 ES Modules，不需要构建步骤。

测试调度使用 Node.js，逐文件启动独立进程，首个失败即停止，不依赖 Bash；临时目录使用系统 API 并在退出时清理。GitHub Actions 定义 Linux/Windows × Node.js 20.10/22 矩阵，发布前钩子会重新运行完整测试。原生 Windows/WSL 的 DSH 宿主烟测仍待实机验证。

发布由 v* 标签触发 .github/workflows/release.yml：跑完整测试后打包，用工作流内置 GITHUB_TOKEN 创建 GitHub Release（附 tarball，发布说明取自 CHANGELOG 对应章节），并在配置了 NPM_TOKEN secret 时发布到 npm。本机无需任何 GitHub 凭据。

文档

License

MIT