Flyvhidbwo/dsh-vision-proxy

dsh-vision-proxy

English | 简体中文

保持 DeepSeek 作为对话大脑，图片照样直接发。 为 DeepSeek Harness 打造：GUI 附加图片自动转译，纯文本 DeepSeek 也能识图。

⚠️ 兼容性与定位（2026-10，v0.5.3）：已适配 dsh 0.2.x，并在 dsh 0.2.1-rc.5 上完成适配验证（桌面端与 CLI；rc5 运行时打包的 dsh-llm / dsh-attachment / 设置与客户端模块层文件与 npm 0.2.1-rc.5 逐字节一致，契约面无变化）。设置 → 识图代理 提供两档可视化配置（官方 deepseek-flash 零配置 / 自定义 VLM 端点），改动实时生效、无需重启。

dsh 0.2.x 起 DeepSeek 账号/官方视觉模型原生支持图片（如 deepseek-flash、deepseek-v4-flash-vision-exp）——用原生视觉模型时不需要本插件。本插件补的是另一半：纯文本模型依然看不了图（如 deepseek-v4-pro），插件把图片转译成文字后交给它们。插件适用于：Pro/文本模型识图、本地 Ollama（图片不出本机、免费）、自定义 OpenAI 兼容 VLM；选中的模型本身支持图片时会自动直通，不再二次转译。

0.5.0 修复了 0.4.1 在 dsh 0.2.x 上「静默失效」的根因：0.2.x 的 ctx.llm.registration() 在包装路由尚未注册时抛 NO_ADAPTER（而非返回 undefined），旧版在 apply() 里同步调用它 → 条目不激活、路由从不出现。现在改为惰性解析 + 自动发现内层路由（deepseek-official / deepseek-account 皆可）。

为什么需要它

DeepSeek Harness 原生按模型声明的 inputModalities 决定是否放行图片附件。DeepSeek 的 chat-completions 线路是纯文本的，所以选中 DeepSeek 时附加图片会被原生拒绝。已有的视觉插件提供 view_image 等工具（适用于文件路径），但 GUI 图片附件对纯文本模型依然失败。

本插件补上这个缺口：注册一条新提供商路由（deepseek-vision），包装真正的 DeepSeek 适配器——对外声明支持图片输入（附件预检放行），并在请求流里把每张附加图片转译成文字后再委托给 DeepSeek。对话仍然由 DeepSeek 作答，识图只是附加能力。

用户附加图片 ──▶ deepseek-vision 路由 ──▶ 经 VLM 转译（OCR+版式+细节）
                   │                        │
                   ▼                        ▼
            DeepSeek 作答 ◀── 纯文本对话（图片已替换为 [图片转译] 文字）

特性

• 设置页两档模式。dsh 设置 → 识图代理：默认档「DeepSeek 官方识图」零配置（自动复用 DEEPSEEK_API_KEY + api.deepseek.com 的 deepseek-flash），页面上只有模式选择；切到「自定义 VLM 端点」才展开端点 / 模型 / 超时等完整配置。保存写入 profile 的 cordis.patch.yml，后续对话立即生效，无需重启；密钥字段只显示「已保存」，永不回显到浏览器。
• 原生识图直通。选中的模型本身声明了图片输入（如 deepseek-flash / deepseek-v4-flash-vision-exp）时，图片原样透传、不再转译——不浪费一次 VLM 调用，也不损失原生视觉质量。
• 内层路由自动发现。配置的 innerProvider 没注册时，按 deepseek-official → deepseek-account → 任一已注册路由的顺序自动挑选：API-key profile 与「DeepSeek 账号登录」profile 都能开箱即用。
• 绝不卡死。公网匿名端点强制 20 秒超时上限；匿名端点遇到 HTTP 429 立即失败（不做无意义的 Retry-After 等待）；刚失败（429/超时）的端点进入 60 秒冷却并被跳过。本机/回环端点不受这套匿名策略约束：冷启动加载几 GB 权重慢是正常的，用满你配置的超时，并发送 keep_alive 让 Ollama 模型常驻。
• 多模型、多厂商。任何 OpenAI 兼容 VLM 端点都行——百炼/Qwen、QwenCloud 国际站、智谱、OpenRouter、本地 Ollama、或你自己的端点。每条 fallbackModels 都可以带各自独立的 baseURL/model，一个安装即可串联多家。
• 零配置本地路径。autoLocalOllama（默认开）启动时探测 http://localhost:11434，检测到 Ollama 就自动加入降级链——图片不出本机，免 key 免注册。
• 快速且明确的失败。没有 key 也没有本地 Ollama 时，转译在几秒内失败并给出可操作指引（配置 VISION_API_KEY / DASHSCOPE_API_KEY 或安装 Ollama）——绝不静默卡住。
• 有 key 自动提速。导出 VISION_API_KEY / DASHSCOPE_API_KEY 后自动走你配置的付费端点（默认百炼 qwen3.7-flash——快、便宜、不限速）；没有 key 的条目会被跳过而不是失败。
• 降级链 + 错误分类。rate_limit / quota / auth / region / model_not_found / context_too_large / http 分类给出可操作提示；占位符会报告每一次尝试而不仅是第一条。
• 思考型模型兜底。qwen3-vl、deepseek-flash 这类思考模型可能把输出预算全花在 reasoning 上、content 为空——此时自动回退使用推理文本，不丢弃已经完成的识图结果。
• 转译不因会话取消而中断。默认不把会话层的中止信号链进转译请求（abortWithSession: false）：dsh 在处理大图时会取消/重发请求，旧行为会在推理中途掐断已完成的工作。需要严格取消时可在设置页打开。
• 内容哈希缓存。转译结果按图片字节的 SHA-256 缓存（进程内，上限 200）——同一张图每个进程最多转译一次，重新附加或换对话也命中。
• 自动降采样（可选）。dsh 0.2.x 走附件服务的 readImageRequest 投影（原生缩放、带缓存）；旧版 / 无投影后端回退 readImage + 可选 sharp 降采样。
• 兼容 read_image。原生 read_image 工具在该路由下同样可用（它的能力门禁读取同一份模型信息）。

支持的模型与厂商

一套配置（baseURL + model，可选 apiKey）覆盖所有后端：

场景	baseURL	model	说明
DeepSeek 官方识图——默认	https://api.deepseek.com	deepseek-v4-flash-vision-exp	复用 DEEPSEEK_API_KEY，无需额外 key；官方视觉质量最好
百炼（国内）	https://dashscope.aliyuncs.com/compatible-mode/v1	qwen3.7-flash / qwen3-vl-flash	便宜、快、不限速。密钥：千问平台 sk-ws-… 或百炼 sk-…
本地 Ollama（自动探测）	http://localhost:11434/v1	第一个视觉模型	装了就零配置可用；图片不出本机；自动带 keep_alive: 30m
QwenCloud（国际）	https://dashscope-intl.aliyuncs.com/compatible-mode/v1	qwen3-vl-plus 等	国际版
智谱（免费档）	https://open.bigmodel.cn/api/paas/v4	glm-4.6v-flash	免费档仍需注册智谱（免费）key
任意 OpenAI 兼容端点	你的端点	你的模型	OpenRouter、火山 Ark、vLLM、各类网关……插件只讲 /chat/completions

⚠️ 不再内置任何第三方匿名免费端点作为默认兜底。实测中匿名免费端点（如 OVHcloud AI Endpoints）限速极严且会无响应挂起——作为默认只会复现"卡死"体验。如果你仍想用某个匿名端点，请通过 fallbackModels 自行添加并设 anonymous: true（20 秒超时上限依然生效）。

价格参考（人民币，百炼国内站 2026-08 参考价）

模型	输入	输出	一张 1080p 截图（≈2000 token）
qwen3-vl-flash	¥0.15/百万 token	¥1.5/百万 token	≈ ¥0.0005（约 0.05 分钱）
qwen3.7-flash	¥0.2/百万 token	¥0.8/百万 token	≈ ¥0.001（约 0.1 分钱）
deepseek-v4-flash-vision-exp（官方，默认）	¥3/百万（高峰）· ¥1.5（空闲）	¥9/百万（高峰）· ¥4.5（空闲）	≈ ¥0.01（高峰）/ ¥0.005（空闲）
本地 Ollama	免费	免费	¥0（图片不出本机）

温馨提示：识图默认走官方 deepseek-v4-flash-vision-exp（高峰 9:00-12:00 / 14:00-18:00 为全价，其余时间半价；图片按尺寸折算 token，不按张计费）。与 V4-Pro 同档价约 1/3。

图片按 token 折算（各平台把图片按分辨率折算成 token，一张 1080p 截图 ≈ 2000 token）。按上面价格，一张图不到 1 厘钱；即使重度使用（每天 100 张）每月也就几块钱，基本可以忽略。本地 Ollama 完全免费。以百炼控制台实时标价为准。

key 读取顺序：配置 apiKey → $VISION_API_KEY → $DASHSCOPE_API_KEY。匿名端点（anonymous: true）和本地主机无需 key；无 key 的非匿名条目自动跳过。

快速开始

# 桌面端（profile 名以实际为准：桌面客户端用 desktop，`dsh web` 用 web）
dsh plugin --profile desktop add dsh-vision-proxy

重启 dsh 后：

1. 模型选择器里出现 DeepSeek + 自动识图（选它才能让纯文本大脑收到图片）；
2. 设置 → 识图代理 里改配置（保存后下一轮对话生效，无需重启，密钥不回显）；
3. 把图片粘贴进任意对话——完事。

默认策略（零配置）：官方 deepseek-flash 识图，自动复用你的 DEEPSEEK_API_KEY 与 https://api.deepseek.com，并在设置页里默认只显示这一档——不用填任何东西。需要自己的端点时，在设置页切到「自定义 VLM 端点」（百炼 / 智谱 / OpenRouter / 本机 Ollama），才会展开完整配置项。本机装有 Ollama 会自动加入降级链；选中的模型本身支持图片时直接直通、不转译。

pnpm ≥ 10 默认拦截依赖构建脚本——首次安装会以非零码退出并提示 Ignored build scripts: dsh-vision-proxy, sharp。请批准两者（插件的安装确认提示 + sharp 的可选二进制），然后重跑一次安装完成 bundle 注册：

# 写在 profile 的 pnpm-workspace.yaml 里
allowBuilds:
  dsh-vision-proxy: true
  sharp: true

dsh plugin --profile desktop add dsh-vision-proxy   # 批准后重跑

npm 官方源太慢？ dsh plugin --profile desktop add dsh-vision-proxy --registry=https://registry.npmmirror.com（参数会转发给 pnpm）。

备选安装方式（npm 暂时不可用时）

• 从 GitHub 安装：dsh plugin --profile desktop add github:Flyvhidbwo/dsh-vision-proxy；桌面端在「插件 → 添加插件」里填 github:Flyvhidbwo/dsh-vision-proxy。装到的是仓库默认分支（含最新修复）。
• 从本地压缩包安装：桌面端「插件 → 添加插件」的输入框是纯文本（没有文件选择器）：把 .tgz 的绝对路径粘进去即可，例如 C:\Users\<你>\Downloads\dsh-vision-proxy-0.5.3.tgz。dsh 的 plugin-manager 会把绝对路径的 .tgz 识别为 tarball 类型（rc5 已确认 inspect 返回 kind: tarball）。
• 从本地目录安装：先把 .tgz 解压成目录，再把该目录的绝对路径粘进同一个输入框（依赖以 file: 链接方式记录，之后别删这个目录）。

现场演示：真实对话中的识图

一段 deepseek-vision 路由上的真实对话（DeepSeek-V4-Flash 作为大脑）：用户粘贴了一张表情包并问 "你看到了什么"，图片被 VLM 自动转译，DeepSeek 基于文字完整作答——单步，约 7.6 秒。

左图：模型选择器显示 deepseek-vision 路由（DeepSeek + 自动识图）已选中——这正是图片附件得以放行的原因。右图：DeepSeek 基于转译文字给出的完整回答。

用户粘贴表情包 + "你看到了什么"
  → 图片块经 VLM 自动转译（OCR + 版式）：
      "我是吃白饭的 / 蓝色大肥鱼！ (理直气壮.jpg) — Q版蓝发女仆装少女，
       身后蓝鲸尾巴，端碗举筷，表情兴奋"
  → DeepSeek 基于文字对表情包做完整视觉分析

两条自主路径都覆盖：view_image 工具（任意路由，支持文件路径与 URL）和图片块自动转译（deepseek-vision 路由——对话中途附加的图片）。

配置

首选：dsh 设置页。设置 → 识图代理 里可直接编辑 15 个常用字段；保存写入 profile 的 cordis.patch.yml，下一轮对话立即生效，无需重启。密钥字段只显示「已保存」（密文永不下发浏览器），留空表示不修改。

需要重启的四项（providerId、innerProvider、autoLocalOllama、fallbackModels）仍写在 profile patch 里，用 id 定向覆盖，不要用 insert：

# $DSH_HOME/profiles/desktop/cordis.patch.yml —— 用户层覆盖示例
- id: dsh-vision-proxy
  name: 'dsh-vision-proxy'
  config:
    providerId: deepseek-vision     # 模型选择器里的路由 id
    innerProvider: deepseek-official # 包装哪条现有路由；留空/失效时自动发现 deepseek-account
    autoLocalOllama: true
    fallbackModels: []              # 可自行添加 {model, baseURL, apiKey?, anonymous?, timeoutMs?}

⚠️ 不要写成 - insert: [{id: dsh-vision-proxy, …}]。 dsh 的 patch 语义里 insert 是往条目列表追加——bundle 自带的条目和你写的同 id 条目会同时存在并被实例化，deepseek-vision adapter 会被注册两次（行为未定义）。顶层 - id: 条目才会命中既有行并整体替换其 config；未列出的键回落到插件 zod schema 的默认值。注意：设置页保存时也会写成这种 id 定向覆盖。

键	默认值	含义
providerId	deepseek-vision	模型选择器中显示的路由 id（改需重启）
innerProvider	deepseek-official	被包装的现有适配器路由；未注册时自动回退 deepseek-account → 任一已注册路由（改需重启）
baseURL	DashScope 兼容模式	OpenAI 兼容 VLM 端点（任意厂商，含 Ollama）
apiKey	''	VLM 密钥；回退读取 $VISION_API_KEY，再回退 $DASHSCOPE_API_KEY。Windows 下环境变量变更可能不生效，直写这里最可靠；设置页不回显
anonymous	false	跳过 Authorization 头（用于免注册公网端点；受 20s 超时上限约束）。回环地址永远按本地处理
model	qwen3.7-flash	视觉模型 id（如 qwen3-vl-flash、glm-4.6v-flash、qwen3-vl:8b）
maxTokens	8192	VLM 输出上限（思考型模型先耗推理 token，预算给足）
timeoutMs	120000	VLM 请求超时（公网匿名端点强制 20s 上限；本机端点用满此值）
maxImagePixels	4000000	超过该像素数的图片转译前自动降采样（0 关闭）
keepAlive	30m	仅本机端点发送的 keep_alive（Ollama 模型常驻时长；留空不发送）
marker	[图片转译]	每条转译文本前加的前缀标记
failureMode	placeholder	全部 VLM 失败时的行为：placeholder（默认）插入 [图片转译失败: 原因] 文本并继续对话；error 则整轮失败
abortWithSession	false	是否让会话层取消中止正在进行的转译。默认关闭：已完成的一次推理不因 dsh 的重发/取消被丢弃
source	deepseek	识图来源：deepseek（默认，官方 deepseek-flash + 你的 DEEPSEEK_API_KEY + api.deepseek.com，零配置）或 custom（自定义端点 / Ollama）。未设置时按配置自动推断，保证旧配置继续可用
deepseekVisionModel	deepseek-flash	官方识图所用模型（source: deepseek 时生效）
deepseekThinking	disabled	官方识图是否开思考链：默认 disabled 直接给答案，省 token 更快；adaptive / enabled 让模型先思考
deepseekVision	—	已废弃，旧配置兼容用：false 等价于 source: custom
nativeVisionPassThrough	true	选中的模型原生支持图片时直接透传，不再二次转译
autoLocalOllama	true	启动时探测 http://localhost:11434；检测到则加入降级链（改需重启）
localOllamaModel	''	指定 Ollama 模型 id；留空自动选本地 Ollama 报告的第一个视觉模型
fallbackModels	[]	降级链：{model, baseURL?, apiKey?, anonymous?, timeoutMs?}，每条可指向不同厂商；无 key 的非匿名条目自动跳过（改需重启）

Windows 上关于 API key 的说明：dsh --profile <name> --dump-config 会原样打印组合后的配置（写在 cordis.patch.yml 里的 key 会出现在明文输出中），但另一方面，进程启动后设置的环境变量（explorer.exe 会缓存旧环境）可能永远到不了正在运行的 dsh。如果你明明导出了 key 却看到 skipped — no API key，请在设置 → 识图代理里直接填 key（或写进插件配置）。

安装后验证

dsh --profile desktop --dump-config | grep -A3 dsh-vision-proxy   # 应恰好一个条目（注意：会明文打印配置，含 key）

1. 重启 dsh → 模型选择器出现 DeepSeek + 自动识图。
2. 设置里出现 识图代理 页（说明 volatile 配置命名空间已服务）。
3. 向对话粘贴图片 → 应看到 [图片转译] 标记后 DeepSeek 作答。
4. 若选中的模型本身支持图片（如 deepseek-flash），图片会直接透传、不产生转译请求。

行为说明

• 只有含图片块的消息才会被处理；纯文本对话零开销直达 DeepSeek。
• 公网匿名端点：20 秒硬超时上限、HTTP 429 立即失败（不重试）、失败后触发 60 秒端点冷却——连发图片不会反复踩坏端点。本机/回环端点不受匿名策略约束。
• 网络层失败（fetch failed / 连接被拒等）同样进入 60 秒冷却，死端点不会每轮重试。
• 会话永不中毒（failureMode: placeholder，默认）：某张图全部 VLM 失败时插入 [图片转译失败: 原因] 占位文本并继续对话（原因包含每一次尝试）；失败的图片按内容哈希记忆 60 秒，期间不再发起网络请求。
• 思考型模型：content 为空但有 reasoning / reasoning_content 时，用推理文本作为转译结果，不丢弃已完成的识图。
• 全部链路条目都失败才报错（failureMode: error 时），错误会列出每一次尝试并附可操作指引。
• 转译结果按图片内容哈希进程内缓存（永不落盘）。
• 启动时写入一行摘要日志（路由 id、内层路由、VLM 模型、端点、超时、maxTokens、failureMode、key 来源与降级列表；key 本身从不打印）。
• 测试：34 个单测（含对真实 dsh-llm 运行时的契约验证，可运行 scripts/verify-runtime-contract.mjs 复现），GitHub Actions 在 Node 22/24 上运行。
• 转译质量：密集 UI 截图可能丢失小字细节——这是视觉模型的能力上限，不是插件 bug。OCR 重度场景建议换更强模型（如 qwen3-vl-plus）或调大 maxTokens。

排障

现象	原因与解决
0.4.1 在 dsh 0.2.x 上「完全不可用」：终端打印 1 entry did not activate、模型选择器没有分组	0.2.x 的 ctx.llm.registration() 抛 NO_ADAPTER，旧版在 apply() 同步调用导致条目不激活。升级到 0.5.0（惰性解析 + 内层路由自动发现）
模型选择器里没有「DeepSeek + 自动识图」	确认 profile 的 cordis.patch.yml 里有且仅有一个 dsh-vision-proxy 条目；确认插件已安装（dsh --profile desktop --dump-config）。若目标是账号登录 profile，innerProvider 设为 deepseek-account 或留空自动发现
设置里没有「识图代理」页	该页只在 Host 服务 dsh-vision-proxy 设置命名空间时出现：确认条目处于启用状态；若插件行被禁用或 profile 未加载该行，页面不会注册
明明导出了 VISION_API_KEY 仍报 skipped — no API key	Windows 在 explorer.exe 里缓存环境变量，运行中的 dsh 读不到新值。在 设置 → 识图代理 里直接填 key，或写进插件配置
本机 Ollama 每张图都超时（20 秒）	0.4.x 的匿名 20s 上限误伤本机端点。0.5.0 已修复：回环地址不再按匿名端点处理，并发送 keep_alive 让模型常驻
本机 Ollama 报上下文超限（图片 token > 4096）	Ollama 默认上下文太小。设 OLLAMA_CONTEXT_LENGTH=32768 后重启 Ollama
安装时报 Ignored build scripts: dsh-vision-proxy, sharp	pnpm ≥ 10 默认拦截依赖构建脚本。在 profile 的 pnpm-workspace.yaml 加 allowBuilds: {dsh-vision-proxy: true, sharp: true}，然后重跑安装
发布当天安装报 ERR_PNPM_MINIMUM_RELEASE_AGE_VIOLATION	pnpm 11 默认 minimumReleaseAge 为 1 天（供应链策略）。在 profile 的 pnpm-workspace.yaml 加 minimumReleaseAge: 0，或给 dsh plugin add 加 --config.minimum-release-age=0，然后重跑
匿名端点报 all N vision model(s) failed … rate_limit	匿名免费档限速极严且可能挂起。配置 key 或改用本地 Ollama
同时装了 @anionex/dsh-vision-toolkit 时报 needs no image-input variant	两个插件都提供图片输入能力，功能重叠。在本插件路由上关掉 toolkit 的变体：在 profile patch 里给 vision-toolkit 行加 config: { imageInputVariants: { enabled: false } }，或直接卸载其中一个
npm 官方源下载慢	使用 --registry=https://registry.npmmirror.com（参数转发给 pnpm）

隐私

转译会把图片字节（base64，HTTPS）发送到配置的 VLM 端点——图片数据会离开你的机器，除非 baseURL 指向本地服务（如 Ollama）。除 harness 自身的附件存储外不持久化任何东西。敏感图片请使用自己的端点或本地模型——或者不安装本插件。

实现原理（给插件开发者）

本插件只使用 dsh 0.2.x 的公共接口：

• ctx.llm.registerAdapter([providerId], proxyAdapter) —— 注册新路由；
• 惰性解析被包装的适配器：ctx.llm.registration(inner) 会抛 NO_ADAPTER（不是返回 undefined），必须在真正调用时才解析并记忆化，否则 cordis 的激活顺序会让 apply() 失败；
• 代理 listModels / resolveModel 用内层路由取元数据，再把 provider 重新盖成调用方询问的路由——dsh-llm 校验 model.provider === 请求路由，否则整包 INVALID_CATALOG；
• resolveModel 把 inputModalities 覆盖为 ['text', 'image'] —— 满足附件预检与 read_image 门禁；
• 代理 prepareCall 绑定内层的 prepareCall 生成代，stream 转译图片块后 yield* 转发；图片字节经 ctx.get('attachments').readImageRequest(ref, target, signal)（0.2.x 公共投影 API）获取，旧后端回退 readImage(ref)；
• Config 里对设置页要暴露的字段加 .volatile()（@deepseek-ai/schemastery）：dsh 会把活动且可唯一定位的条目的 volatile 字段作为设置命名空间服务，并持久化到 profile 的 cordis.patch.yml，通过引用热更新到运行中的插件；
• 浏览器半 lib/client.js 由 dsh.client 声明被 /plugins 服务：注册 settings.section 得到设置导航项，用 ctx.configForms.get('dsh-vision-proxy') 读写该命名空间。

许可证

MIT