dsh-vision-any

简体中文 | English

让纯文本的 DeepSeek Harness Agent 直接粘贴图片，并用任意 OpenAI 兼容 / Anthropic / Gemini 视觉 API 看图。

---

dsh-vision-any 是一个标准的 DeepSeek Harness（DSH）插件，为 DeepSeek V4、GLM 等纯文本模型补上真正的图像理解能力。

一个插件同时解决两件事：

1. 粘贴准入：即使当前主模型是纯文本，也能把图片粘贴进聊天框；图片会保存到本地，并替换成路径提示。
2. vision 工具：Agent 用这个路径（或任意本地路径 / URL / data URI）调用 vision，由你配置的视觉模型返回文字描述。

不需要切换模型，不绑定厂商，自带任意视觉 API。

---

特性

• ✅ 纯文本模型也能直接在 DSH 聊天框粘贴 / 拖拽图片
• ✅ 支持任意 OpenAI 兼容端点（OpenAI、OpenCode Go、智谱、通义、Ollama、vLLM、LM Studio 等）
• ✅ 支持 Anthropic Messages API 和 Google Gemini generateContent
• ✅ 多图批量：一次最多分析 10 张图
• ✅ 本地图片存储：MD5 去重、LRU 上限、过期清理
• ✅ API Key 不进源码，通过配置 / 环境变量读取
• ✅ 标准 DSH bundle：可用 dsh plugin 安装 / 卸载

---

安装

本地安装：

dsh plugin --profile web add /path/to/dsh-vision-any
dsh plugin --profile headless add /path/to/dsh-vision-any

GitHub 安装（发布后）：

dsh plugin --profile web add github:<你的用户名>/dsh-vision-any

重启 dsh web 并刷新浏览器。

---

快速开始（OpenCode Go + MiMo V2.5）

创建 ~/.config/dsh-vision-any/config.json：

{
  "provider": "openai",
  "openai": {
    "baseUrl": "https://opencode.ai/zen/go/v1",
    "model": "mimo-v2.5",
    "apiKeyEnv": "OPENCODE_GO_API_KEY"
  }
}

确保环境里有 OPENCODE_GO_API_KEY（例如写在 ~/.dsh/.env 或 shell 环境变量里）。

然后启动：

dsh web

把图片粘贴进聊天框即可。模型会看到路径提示，并自动调用 vision 工具。

---

配置

配置优先级（高到低）：

1. profile patch / overlay 里的插件行配置
2. ~/.config/dsh-vision-any/config.json
3. VISION_ANY_* 环境变量
4. 内置默认值（OpenAI 兼容）

简单配置（推荐）

可以直接在顶层填 provider、baseUrl、model、apiKeyEnv：

{
  "provider": "openai",
  "baseUrl": "https://opencode.ai/zen/go/v1",
  "model": "mimo-v2.5",
  "apiKeyEnv": "OPENCODE_GO_API_KEY"
}

常见模型速查表

想用哪个	provider	baseUrl	model	apiKeyEnv
OpenCode Go / MiMo	openai	https://opencode.ai/zen/go/v1	mimo-v2.5	OPENCODE_GO_API_KEY
通义千问 / DashScope	openai	https://dashscope.aliyuncs.com/compatible-mode/v1	qwen-vl-plus	QWEN_API_KEY
OpenAI	openai	https://api.openai.com/v1	gpt-4o-mini	OPENAI_API_KEY
Anthropic / Claude	anthropic	https://api.anthropic.com	claude-sonnet-4-5	ANTHROPIC_API_KEY
Gemini	gemini	https://generativelanguage.googleapis.com/v1beta	gemini-2.0-flash	GEMINI_API_KEY
本地 Ollama	openai	http://localhost:11434/v1	llava	ollama（或任意）

想换模型就改 model。如果用其他 OpenAI 兼容网关，保持 provider: "openai"，填它的 baseUrl 和 model 即可。

进阶：按 provider 分块配置

也可以把配置写进 openai / anthropic / gemini 块里：

{
  "provider": "openai",
  "openai": {
    "baseUrl": "https://api.openai.com/v1",
    "model": "gpt-4o-mini",
    "apiKeyEnv": "OPENAI_API_KEY"
  }
}

插件行配置（也可以不用配置文件）

在 profile 的 cordis.patch.yml 里写：

- insert:
    - id: vision
      name: dsh-vision-any
      config:
        provider: openai
        baseUrl: https://opencode.ai/zen/go/v1
        model: mimo-v2.5
        apiKeyEnv: OPENCODE_GO_API_KEY

环境变量

变量	含义
VISION_ANY_PROVIDER	openai / anthropic / gemini
VISION_ANY_BASE_URL	视觉 API 的 Base URL
VISION_ANY_MODEL	视觉模型 ID
VISION_ANY_API_KEY	API Key（兜底）
VISION_ANY_API_KEY_ENV	存放 API Key 的环境变量名
VISION_ANY_TIMEOUT_MS	请求超时（默认 120000）
VISION_ANY_MAX_TOKENS	最大输出 token（默认 4096）
VISION_ANY_MAX_IMAGES	粘贴图片 LRU 上限（默认 200）
VISION_ANY_SYSTEM_PROMPT	true / false

---

使用方法

粘贴图片

直接把图片粘贴或拖进 DSH 聊天框。插件会保存图片并注入类似提示：

[Image #1 auto-saved to /tmp/dsh-vision-any/image1/xxxx.png]

模型会自动调用 vision 工具。

手动调用工具

也可以让模型分析本地文件或 URL：

用 vision 工具读取 C:\path\to\screenshot.png，告诉我里面显示什么错误。

工具参数示例：

{
  "paths": ["/tmp/dsh-vision-any/image1/xxxx.png", "https://example.com/a.png"],
  "question": "这张图表说明了什么？"
}

---

工作原理

1. DSH 默认会拒绝纯文本模型的图片附件。
2. dsh-vision-any 包装 API 代理的 prompt 准入：图片先保存到本地临时目录，再替换成文本路径提示。
3. Agent 调用 vision 工具。
4. 工具解析图片（本地路径 / URL / data URI），发送给你配置的视觉后端，返回纯文本。
5. 纯文本主模型基于描述继续对话。

---

环境要求

• Node.js 20+（实际 DSH 通常要求 22.19+）
• DeepSeek Harness 0.1.x（开发者预览版）
• 一个支持图片输入的视觉模型端点 + API Key

---

常见问题

现象	解决办法
仍提示 The current model does not support images	重启 dsh web 并刷新浏览器；确认插件已安装
图片能粘贴，但模型说看不到图	确认模型调用了 vision 工具；检查系统提示是否开启
vision provider error (HTTP 401)	检查 apiKeyEnv / API Key / Base URL
vision provider error (HTTP 404)	检查 baseUrl 和 model；Anthropic 要确保最终请求到 /messages
模型不支持图片输入	换支持视觉的模型，例如 mimo-v2.5、gpt-4o-mini、kimi-k2.6、qwen3.6-plus、claude-sonnet-4-5、gemini-2.0-flash

---

License

MIT