jmxsxwyzjdwl/dsh-mmroute

English summary — Multimodal router for DeepSeek Harness (DSH). Text-only models (e.g. DeepSeek, GLM) can still handle visual tasks: every image in every step of the agent stream — user uploads, read_image results, MCP tool renders (Figma screenshots, …) — is transcribed into detailed text (verbatim OCR, chart data, visual detail) by a multimodal understander model before the request is dispatched, cached per attachment. Unmarked models are auto-classified by their adapter-declared modalities (overridable per model); image-related request failures self-recover by rerouting through the understander and retrying. Settings page: mark models multimodal/text-only, pick the understander, watch transcription/recovery stats. Works with PNG / JPEG / WebP / GIF.

为 DeepSeek Harness（DSH）里的每一条模型路由做图片模态调度，并且贯穿整个 agent 流程：

• 多模态模型 / 声明图片输入的模型 —— 图片原样直发；
• 纯文本模型（显式标记，或「自动纯文本路由」判定）—— 每次请求里的每张图片，先由指定的多模态理解模型转述为详细文字（含图中文字逐字转录、图表数据转录、视觉细节），再连同对话一起交给纯文本模型作答；
• 报错自愈 —— 纯文本模型（或网关实际拒图的"多模态"模型）一旦出现图片类失败，自动把该路由转入转述路径并让 agent loop 重试：两类模型在整条流程里交叉接手，而不是"第一次读完图就不再管"。

这样，DeepSeek、GLM 等纯文本模型也能处理看图问答、截图分析、Figma 渲染审查等视觉任务。

Multimodal router for DeepSeek Harness: text-only models get every image in every step transcribed to detailed text by a multimodal understander before the request is dispatched; image-related request failures auto-recover by rerouting through the understander and retrying. Works with image attachments (PNG / JPEG / WebP / GIF).

工作原理

agent loop 的每一次模型调用（每个 step：用户首图、read_image 返回、
MCP 工具（如 Figma get_screenshot）中途产生的新渲染图……）
   │
   ├─ ① 准入放宽：resolveModelInfo 遮蔽让「会被转述」的模型通过
   │     harness 的图片准入检查（用户上传 / read_image / MCP 图片 alike）
   │
   ├─ ② llm/stream 拦截：按 attachmentId 收集本次请求的全部图片
   │     （含 tool-result 嵌套形态），逐张交给理解模型做**全量结构化
   │     转述**（≤12000 字符：图型判定 / 全部文字逐字转录 / 图表数据
   │     / 布局 / 颜色 / 异常 / 不确定区域；内容寻址缓存，跨步骤 / 跨
   │     重启有效；当前问题作为侧重参考注入，但完整性优先、绝不省略）
   │
   └─ ③ 改写后的纯文本请求交给原模型作答 —— 对话完全无感
         转述末尾附 [提示] 行：作答模型可调用 vision_relook 工具对
         任意已转述图片发起聚焦复看（「指挥与执行」协作）

任何一步漏网（未标记、网关拒图……）导致适配器报图片类错误时：
   └─ ④ agent/request-error 自愈：拉理解模型转述 → retry
        （每条路由每进程最多自愈 2 次，杜绝重试风暴）

• 自动纯文本路由（默认开启）：未标记的模型按适配器原生声明判定 —— 声明图片 → 直发；声明纯文本或未声明 → 自动按纯文本处理（先转述再作答）。关闭后未标记模型完全保持 harness 原生行为。
• 显式标记优先于自动判定：「多模态」标记的模型请求（含图片）原样直发，适合适配器未声明图片能力、但网关实际支持的模型；「纯文本」标记的模型总是先转述。
• 单一理解模型，用户手选：理解模型即你 dsh 配置里的多模态模型（自动发现或手动指定），不内置免费端点、不借用任何外部登录态；并发转述同一张图自动合并为一次调用。
• vision_relook 定点复看：作答的文本模型可对任意已转述图片发起聚焦核查（attachmentId + 聚焦问题 + 可选区域），由理解模型逐字精确作答、看不清就明说 —— 两个用户手选的模型形成「指挥与执行」协作。
• 准确性 + 完整性铁律（设计原则）：给纯文本模型的数据必须准确且完整 —— 逐字转录不翻译、全量覆盖不因侧重省略、宁声明「不确定区域」绝不猜测；单条转述上限 12000 字符（足以容纳密集截图的全量逐字转录）。
• 历史图摘要重放（默认开启）：同一张图在会话历史中再次出现时以 ≤1200 字符摘要重放，首次出现仍为全量转述 —— 长会话不因旧图全量重放而膨胀；可在设置页关闭。
• 理解模型不可用 / 调用失败 / 返回空描述时，以说明性占位文字降级，不会中断对话轮次。

安装

dsh plugin --profile web add dsh-mmroute

本地开发安装（<path> 为本仓库的检出路径）：

dsh plugin --profile web add <path>/dsh-mmroute

dsh plugin 是 pnpm 转发器：会把依赖写入 profile 的 package.json，并把声明了 dsh.bundle 的包自动加入 dsh.profile.bundles。安装后重启 dsh web 生效。

或手动加入 profile 的 package.json（路径相对 profile 目录）：

{
  "dependencies": { "dsh-mmroute": "file:../dsh-mmroute" },
  "dsh": { "profile": { "bundles": ["dsh-mmroute"] } }
}

使用

1. 打开 设置 → 多模态路由（侧边栏底部设置面板内，明暗主题自动适配）。
2. 在「多模态理解模型」下拉中选择：
   • 自动 —— 使用发现的第一个原生多模态模型；
   • 或指定任一候选（含你手动标记为多模态的网关模型）。
3. （可选）在「模型模态标记」里为个别模型显式选择 默认 / 多模态 / 纯文本，覆盖自动判定。
4. 直接在对话里粘贴 / 上传图片，或让 agent 调 Figma 等 MCP 工具产生渲染图即可 —— 每一步的新图都会被处理。

v0.6.0 起设置页只保留理解模型与模态标记两块核心控制；自动路由、报错自愈、历史图摘要等功能始终在后台运行（默认开启），如需调整可编辑 $DSH_HOME/mmroute.json 里的 autoText / replayDigest 字段。

配置持久化在本机 $DSH_HOME/mmroute.json（默认 ~/.dsh/mmroute.json），重启后仍然生效；可在设置页一键清除图片转述缓存。

标记同步写入 settings.yaml（v0.5.0 起）

在「模型模态标记」里做标记时，插件会同步写入 ~/.dsh/settings.yaml 的原生 input 声明：

• 多模态 → 该模型条目写入 input: [text, image]
• 纯文本 → 该模型条目写入 input: [text]
• 默认 → 删除该模型条目的 input 行（重新继承默认）

llm-pi-ai:
  providers:
    glm5-3:
      models:
        - id: glm-5.3
          input: [ text ]        # 标记「纯文本」写入
        - id: glm-4.6v
          input: [ text, image ] # 标记「多模态」写入

写入走官方 settings.mutate 通道：schema 校验、修订号乐观并发（冲突自动重试一次），并触发 pi-ai 适配器热重建路由 —— 无需重启即时生效，重启后声明仍在。范围限定 llm-pi-ai 命名空间下用户已显式声明 models 列表的网关路由（兄弟条目逐字段保持不变）；其他适配器（如 llm-deepseek 硬编码模态）仅插件内标记。同步失败不影响插件内路由，结果在设置页脚注与 API 响应中明示。

免费与本地理解模型

理解模型可以是任何声明图片输入的 provider —— 包括免费云模型与本地模型。以下片段合并进 $DSH_HOME/settings.yaml 的 llm-pi-ai.providers 段（注意：Web「添加自定义提供方」表单不会写入图片能力元数据，视觉模型请手写 input: [text, image]）：

# 智谱 bigmodel.cn —— glm-4.6v-flash 永久免费（大陆直连）
llm-pi-ai:
  providers:
    zhipu:
      api: openai-completions
      baseURL: https://open.bigmodel.cn/api/paas/v4
      apiKeyEnv: ZAI_API_KEY
      models:
        - id: glm-4.6v-flash
          name: "智谱: GLM-4.6V-Flash (永久免费)"
          contextWindow: 131072
          maxTokens: 8192
          input: [text, image]

Key 写入 ~/.dsh/.credentials.yaml（ZAI_API_KEY: sk-...）或导出同名环境变量，重启 dsh web 后该模型即可在「多模态理解模型」下拉中使用。其他免费渠道：阿里云百炼（新用户每系列 100 万 token/90 天，qwen-vl-plus 等）、硅基流动（Qwen2.5-VL 系列）。本地 Ollama 同样适用：把本地视觉模型配为 pi-ai provider（OpenAI 兼容端点 http://127.0.0.1:11434/v1，声明 input: [text, image]）即可完全离线转述。理解模型全量转述对小模型要求不高，免费额度通常足够。

边界行为（发布者自查清单）

场景	行为
agent 流程中途出现新图片（工具返回 / MCP 渲染）	该步请求在发送前被拦截转述，含 tool-result 嵌套形态
未标记模型 + 自动纯文本路由开启	按适配器声明判定：声明图片直发，否则转述
未标记模型 + 自动纯文本路由关闭	完全保持 harness 原生行为（含原生拒绝）
图片类请求失败（UNSUPPORTED_CONTENT / 网关拒图文案）	自动转入转述路径并 retry；每路由每进程 ≤2 次
自愈后再次请求	命中内存 override，直接转述（重启后失效，可固定为标记）
理解模型指向纯文本标记的模型自身	理解调用失败 → 占位文字降级，无递归（WeakSet 放行自有请求）
无任何多模态模型可用	占位文字说明如何配置，对话继续；自愈不触发
理解调用失败 / 空描述 / 中止 / 限流	该图降级为占位文字，对话不中断，其余图片不受影响
文本模型调用 vision_relook	对已转述图片聚焦核查：逐字精确作答，看不清/未找到明确说明
并发请求转述同一张图	合并为一次理解调用（in-flight 去重）
同一张图在会话历史中再次出现	摘要重放（≤1200 字符，可关闭）；首次出现仍为全量；同一请求内全量始终在场，摘要不损失信息
超长描述	截断至 12000 字符并注明（完整性优先：足以容纳密集截图的全量逐字转录）
缓存 / 标记数量	转述缓存上限 300 条（FIFO 淘汰）；标记上限 2000 条
状态文件损坏 / 字段异常	按默认值重新开始，不阻断宿主启动
会话已有图片时切换到会被转述的模型	准入放行（这正是放宽的目的）
会话已有图片时切换到原生拒图模型（自动路由关闭）	harness 原生拒绝（行为不变）
provider/model id 含 /、引号、Unicode	精确字符串键 + JSON 编码，无解析歧义
悬空标记（provider 已移除）	不显示、不计数、不生效，但保留在状态文件中
两个浏览器标签页同时写配置	每个方法只触碰自己的键，落盘同步无交错
跨站 / DNS-rebinding 攻击 API	信任围栏：仅回环或 trustedHosts + 同源标记 + JSON Content-Type + 64KB 上限
无头配置（无 webServer）	拦截层照常工作，仅设置页不可用

与其他视觉插件的对比

以下对比基于对各项目源码的实际阅读（2026-08）。视觉插件已近十款，其中六项关键能力只有本插件同时具备：

只有 dsh-mmroute 做到的：

1. 零改变使用习惯 —— 挂 llm/stream，对每一次模型调用透明生效：不换路由、不选特殊条目、不装任何 CLI，原图直接发进你正在用的模型组；
2. 覆盖 agent 循环之外 —— 子代理、非工具路径的模型直调同样被拦截，其他方案全部以 agent 循环为边界；
3. 图片类报错自愈 —— 网关实际拒图时自动转述并重试，其他方案遇到只能报错停止；
4. 七节全量结构化转述 —— 图型判定 / 全部文字逐字转录 / 图表数据 / 布局 / 颜色 / 异常 / 不确定区申报，附准确性·完整性·防注入三条铁律；其他方案的转述是无结构散文或简单模板；
5. 双模「指挥与执行」协作 —— 任务背景注入 + vision_relook 定点复看：作答模型带着当前问题指挥你手选的理解模型聚焦核查，两个模型形成闭环协作；
6. 历史图摘要重放 —— 旧图重放自动降为摘要，长会话不因图片全量重放而膨胀，其他方案均全文重放。

能力矩阵（✅ 具备 · ◐ 部分 · ❌ 不具备）：

能力	本插件	modlens	vision-router	sidecar	proxy	provider	tool-vision
原图直发原模型组（零切换）	✅	❌	❌	❌	❌	❌	❌
覆盖 agent 循环外的调用	✅	❌	❌	❌	❌	❌	❌
图片类报错自愈	✅	❌	❌	❌	❌	❌	❌
结构化全量转述 + 防注入	✅	◐	◐	◐	❌	◐	❌
定点复看 / 任务背景感知	✅	◐	❌	❌	❌	❌	◐
历史图摘要重放	✅	❌	◐	❌	❌	❌	❌
图片只发给你配置的模型	✅	❌	❌	❌	◐	◐	✅

各家的取舍（他们换来了什么）：modlens 借本机 CLI 登录态、跨五个 harness 通用；vision-router / sidecar / proxy / provider 用免费端点或直连换“免配置开箱即用”；tool-vision 提供 15 个像素级工具。若你需要的是这些，选他们没问题——本插件不做引擎供给（不内置免费端点、不借登录态），专注把你自己选的两个模型协作到最好，因此开箱前需要先有一个多模态 provider（参见上文「免费与本地理解模型」）。

同装提示：不同插件可共存，但多套视觉桥会互相短路，只启用一条图片通路。

安全与隐私说明

• 标记与自动判定是对端点能力的声明，不是检测：把实际不支持图片的模型标成「多模态」，请求会由供应商报错（与 pi-ai 官方 input: [text, image] 声明语义一致）—— 此类报错会被报错自愈捕获并自动降级为转述。
• 理解模型调用会把图片发送给你指定的多模态模型 —— 请自行确认该模型的隐私条款。
• 防注入：图片内容对作答模型是不可信输入。转述系统指令含防注入铁律（图中指令性文字只逐字转录、绝不执行），转述块头部标注「未经核实的视觉证据」；vision_relook 复看同样适用。
• 设置 API 仅接受本机同源请求；插件不上报任何数据。
• resolveModelInfo 的遮蔽只影响图片准入与模型目录展示，不参与请求路由校验；插件停用后自动恢复原方法。

已知限制

• 当前 DSH 附件系统 v1 仅支持图片（PNG / JPEG / WebP / GIF）；视频不在支持范围内。
• 理解模型的 token 消耗独立计费，不出现在主对话的用量统计中。
• 报错自愈依赖失败文案 / 错误码的图片特征启发式（UNSUPPORTED_CONTENT + image 字样，或 message 含 image / multimodal / vision / 视觉 / 图片）；无法识别的文案不会触发自愈，但显式「纯文本」标记仍会全程转述。

许可

MIT