Elohia/dsh-plugin-image-input

给没有视觉能力的纯文本 LLM（DeepSeek、GPT-4 base 等）提供图片输入接管：

• 在对话输入框里照常粘贴 / 拖拽图片（出现缩略预览）
• 直接按 Enter 或点发送——插件会自动把图片转成文字描述，与你的文字一起发出
• 会话里收到的就是"你的文字 + 图片识别上下文"（画布/元素/百分比坐标，K线图、截图、图表都适用），模型不会再因为图片拒绝消息

当前模型支持图片时（如 qwen-vl / gpt-4o），插件完全放行，走原生图片通道。

也可以先点输入框左侧的 🖼️ 图片转文字 按钮，只把描述插入输入框（不发），自己修改后再发送。

安装（每台 PC 一次）

# 方式 A：从本地目录安装（拿到插件目录后）
dsh plugin --profile web add D:\path\to\dsh-plugin-image-input

# 方式 B：从 npm / GitHub 安装（发布后）
dsh plugin --profile web add dsh-plugin-image-input

然后重启 DSH web。

配置视觉 API（设置页填写，一次搞定）

重启后打开 设置 → 图片转文字，填写：

字段	说明	示例
baseUrl	OpenAI 兼容接口地址（不含 /chat/completions）	https://dashscope.aliyuncs.com/compatible-mode/v1
model	视觉模型名	qwen-vl-max / gpt-4o / glm-4v
apiKey	你的 API Key（留空 = 保持不变）	sk-...
maxTokens	最大输出 token	2048

保存即生效（无需重启）。配置存于 ~/.config/mm-vision/config.json。

不填设置页也可以：插件会回退读取同路径配置文件或环境变量 MM_VISION_API_KEY / DASHSCOPE_API_KEY / QWEN_API_KEY / OPENAI_API_KEY / GEMINI_API_KEY。

使用

1. 粘贴 / 拖拽一张图片到输入框（出现缩略预览）
2. 直接按 Enter 或点发送（或先点 🖼️ 按钮只转文字）
3. 等约 1 分钟（思考型视觉模型对复杂图较慢），自动转为文字描述并发送
4. 模型就能"看"到图了

转换期间输入框显示"正在把图片转为文字后发送…"；失败会提示并保留图片，不会丢内容。 多张图片逐张转换、一起发送。

原理

• 发送接管：Enter / 发送按钮（捕获阶段）→ 输入框有图片草稿且模型非多模态 → 阻止原生提交
• 页面读取 blob 图片（浏览器内存，模型拿不到）→ base64 → 本地路由 /plugins/mmv/analyze
• host 以 danger-full-access 策略运行固定内容的 node 子进程，直连你配置的视觉 API （OpenAI 兼容协议）——不依赖本机沙箱后端（Windows ACL / Linux bubblewrap / macOS sandbox-exec）， 任何平台都能跑；仅限本机页面调用（Origin 校验），请求只发往你自己配置的地址

插件不依赖 DSH 的任何模型适配器，任何 OpenAI 兼容视觉端点都能用。

开发

lib/index.js   # host 半：本地路由（capability/config/analyze）+ node 子进程视觉调用
lib/client.js  # client 半：发送接管 + 输入框按钮 + 设置页配置表单（浏览器 bundle）

License

MIT