GooDAnDReaDY/dsh-vision-bridge

---

⚡ 概述与核心解决问题

在 DeepSeek Harness 中与纯文本聊天模型（任何仅接受文本的 provider/model）对话时，用户无法直接在聊天窗口附加和发送图片：

1. 在 DSH 0.1.2-alpha.2+ 中，后端会话控制器进行严格的模态校验 (ctx.llm.resolveModelInfo)。如果当前对话模型的 inputModalities 中不包含 'image'，请求会被直接拒绝并报错 session/attachment-invalid ("Model does not support image input")。
2. 纯文本适配器如果直接接收到多模态图像块，会抛出请求错误。

dsh-vision-bridge 解决方案

dsh-vision-bridge 在 Cordis 运行时内建立透明代理：

• 服务端模态桥接 (v0.5.3+)：自动包装 ctx.llm.resolveModelInfo 和 ctx.llm.listModels，使会话网关允许所有模型接收图像附件。
• 自动图像改写 (agent/pre-step 与 llm/stream)：自动拦截图片，调用所配置的视觉模型（目录中的 provider/model，或本地 OpenAI 兼容端点）生成描述，并将图片替换为文本提示 [用户上传了图片。内容描述：...] 传递给纯文本模型。
• 原生直通 (Native Passthrough)：自动识别原生支持视觉的模型并直接传递图像，无需重复转换。
• 约 40 个专用视觉工具：提供 OCR、目标定位 (grounding)、UI 结构解析、表格/公式提取、二维码识别、UI 流程重建与多模型共识等完整工具套件。

---

🏗️ 架构图

graph LR
    User["用户在 Web UI 上传图片"] --> Gateway["DSH 会话控制器"]
    Gateway --> BridgeCheck{"模态桥接 (v0.5.3)"}
    BridgeCheck -->|"inputModalities 扩展 image"| SessionAllowed["网关放行请求"]
    SessionAllowed --> Hook["agent/pre-step 钩子"]
    
    Hook --> CheckNative{"对话模型是否原生支持视觉？"}
    CheckNative -->|"是 (Native Passthrough)"| NativeLLM["直接传递原始图像"]
    CheckNative -->|"否 (纯文本模型)"| VisionRouter["视觉桥接通道"]
    
    VisionRouter --> VisionModel["专用视觉模型\n(DSH / OpenAI / Ollama / Webhook)"]
    VisionModel --> Description["生成文字描述与 OCR"]
    Description --> Rewrite["将图片替换为文字描述标记"]
    Rewrite --> ChatModel["将增强文本发送给对话模型"]
    ChatModel --> Answer["助手在聊天窗口返回答案"]

---

✨ 核心特性

1. 运行模式

• hybrid (默认)：对话中自动改写图片为文本描述，同时保留约 40 个工具供模型显式调用。
• llm：纯自动改写模式；工具依然可供调用。
• tools：禁用自动改写，必须由模型显式调用 describe_image 等工具。

2. 多通道故障转移 (Multi-Channel Fallback)

支持多视觉后端级联、故障熔断与并发竞速：

• dsh-catalog：自动或手动选择 DSH 中已注册的视觉模型。
• openai-compatible：支持 vLLM、SGLang、OpenRouter 等 OpenAI 兼容视觉接口。
• ollama：自动发现并调用本地 Ollama 实例提供的任意视觉模型。
• webhook / custom：外部 HTTP / JSON-RPC 服务。

3. LRU 响应缓存

基于 hash(bytes + prompt + model + mode) 的内存缓存，避免重复分析相同图片，节省 Token 开销。

---

4. 完整工具清单（约 40 个工具）

工具类别	工具	说明
核心	describe_image, read_image, inspect_image	通过附件 ID、文件路径或 URL 进行通用图像分析。
几何与检测	vision_ground, vision_crop, vision_detect, vision_compare, vision_present	边界框坐标（0–1000 刻度）、目标清单、多图对比。
OCR 与文本	vision_ocr, vision_ocr_local, vision_long_ocr, vision_trace, vision_colors, vision_extract_foreground	文字识别、本地 Tesseract OCR（离线）、长截图拼接、SVG 描摹、调色板。
结构化与界面	vision_describe_structured, vision_vqa, vision_ui_layout, vision_translate_image	JSON 结构输出（{summary, ocr, layout, entities}）、简短 VQA、界面区块分析。
像素与诊断	vision_pixel_diff, vision_quality_check	语义化视觉差异、质量评分（模糊/曝光）。
文档与智能	vision_extract_formula, vision_extract_table, vision_scan_barcode, vision_extract_structured, vision_audit_accessibility	公式（LaTeX）、表格（Markdown/HTML）、二维码/条码识别、JSON Schema 抽取、WCAG 无障碍审计。
场景、共识与记忆	vision_ui_flow, vision_consensus, vision_memory_search	用户旅程图（Mermaid）、多模型共识、已记住图片的语义检索。
附件（v0.5.33）	vision_attach_pages, vision_attach_frames, vision_attach_images	将 PDF 页面、视频帧、本地/远程图片作为会话附件发布，供原生视觉模型直接查看。

---

📦 安装方法

dsh plugin --profile web add @goodandready/dsh-vision-bridge

安装完成后重启 DSH Web UI。配置卡片位于 设置 → 插件 → vision-bridge。

---

⚙️ 配置示例 (settings.yaml)

dsh-vision-bridge:
  mode: hybrid
  visionProvider: ""
  visionModel: ""
  nativePassthrough: prefer
  cacheEnabled: true
  cacheMaxEntries: 200
  timeoutMs: 120000
  channels: []
  channelFallback: sequential
  hideRedundantTools: true   # 当聊天模型本身已能看图时隐藏桥接工具
  attachMaxItems: 8          # 单次 attach 调用可发布的页面/帧/文件数

---

---

参数说明

参数	类型	默认值	说明
mode	string	"hybrid"	处理模式（hybrid、llm、tools）。
visionProvider	string	""	视觉服务的 provider ID（留空 = 自动选择）。
visionModel	string	""	视觉模型 ID（留空 = 自动选择）。
nativePassthrough	string	"prefer"	原生视觉模型的处理方式（prefer、never、always）。
hideRedundantTools	boolean	true	当聊天模型原生支持图片时，对该 agent 隐藏补偿类工具，仅保留扩展工具。
attachMaxItems	number	8	单次 vision_attach_* 调用最多发布的图片数（PDF 页面、视频帧、文件）。硬上限 32。
cacheEnabled	boolean	true	是否启用描述结果的 LRU 缓存。
cacheMaxEntries	number	200	内存中缓存的条目上限。
timeoutMs	number	120000	执行超时（毫秒）。
channelFallback	string	"sequential"	通道调度方式（sequential、parallel-race）；顺序由 channelOrderMode 决定。

---

📝 v0.5.30 中的变更

安全与诚实性发布。面向用户的简要总结：

• SSRF 抓取策略：模型提供的图片 URL（describe_image 的 urls、inspect_image 以及 headless-chrome 工具）只能通过策略层抓取——非 http(s) 协议、localhost 名称以及私有/回环/链路本地主机（包括 IPv4 映射 IPv6 和 NAT64）在每一次重定向跳转中都会被拒绝；响应体有大小上限。新设置 allowedUrlHosts（精确主机名白名单）可显式放行内部端点。
• apiKeyRef：通道可以按名称引用凭据服务条目或环境变量——settings.yaml 中不再需要明文 apiKey。现有的内联 apiKey 继续有效；保存时掩码密钥的保留按通道标识匹配，而非数组位置。
• 路由防护：POST /bench、POST /batch、DELETE /batch/:id、DELETE /journal、DELETE /cache 与其他变更类路由一样要求同源。GET /doctor 默认为静态；仅 ?probe=1 时进行通道探测（需要同源）。
• 设置诚实性：maskPII、stripEXIF、auditLog、consensusEnabled 已端到端生效。此前仅具装饰性的 blurFaces、nsfwFilter、tileLargeImages/tileThreshold 开关和无效的 Local/Cloud/LM Studio 预设已被移除。Changed in v0.5.30：如果您曾依赖它们，请注意它们从未产生过效果。
• 英语为源语言：所有用户可见字符串均为英语；捆绑的俄语字典已移除——运行时的俄语由翻译插件提供。
• 核心拆分：纯内核（配置模式 + 辅助函数）移至 lib/vision-core.js；lib/index.js 对其进行重新导出——API 无变化。修复了 v0.5.13 中 describe_image 返回空描述的回归；vision_annotate 恢复工作；pHash 缓存不再混淆相似图片。

---

📝 v0.5.31 中的变更

维护版本——用户行为无变化。

• 内部结构：工具注册已迁移到 lib/tools/* 领域模块（core / grounding / ocr / document / analysis / media）；lib/index.js 像以前一样重新导出所有内容。文件更小，宿主与工具领域之间的依赖显式化。
• 设置卡片加固：容错的 locale 注册、移除冗余的侧边栏回退、通过安全的 ctx.get 包装访问插件服务、/config 接受扩展字段集（cacheMaxEntries、channelFallback）。

---

📝 v0.5.32 中的变更

稳定性与架构版本。

• 内部结构：全部约 44 个工具注册迁移到 lib/tools/* 领域模块（core / grounding / ocr / document / analysis / media），依赖显式传递；lib/index.js 仍为主机入口。
• 稳定性修复：完成的批处理记录在 10 分钟轮询窗口后释放（修复内存增长）；/upload-pdf 拒绝超过新设置 maxPdfBytes（默认 20 MiB）的负载；vision_memory_search 按每个附件自身的描述评分；移除宿主死代码；日志标签一致化。
• 设置：新增 maxPdfBytes（上传硬上限）。

📝 v0.5.33 中的变更

以原生视觉为核心的版本：桥接不再只服务纯文本模型，也服务本身能看图的模型。

• 附件域（vision_attach_pages、vision_attach_frames、vision_attach_images）：PDF 页面、抽取的视频帧以及来自文件、目录和 URL 的图片会作为会话附件发布，原生视觉模型直接查看像素，无需再支付一次视觉调用。图片按 imageMaxWidth/imageMaxHeight/imageQuality 压缩并受 maxImageBytes 限制；URL 走与其他路径相同的 SSRF 策略，本地路径受 allowedImageDirs 限制。
• 按模型决定工具集：当聊天模型本身支持图片时，对该 agent 隐藏桥接的补偿类工具，仅保留扩展工具；纯文本路由则相反——隐藏附件工具，因为这类模型看不到附件。该行为由新设置 hideRedundantTools 控制（默认开启）。
• 配置卡片新增设置：Attachments 分组提供 attachMaxItems（整数 1–32，默认 8，即单次 attach 调用发布的图片数）与 hideRedundantTools。保存时会校验，超出范围会给出明确错误。图片尺寸字段现在也会写入实时设置快照，而不只是路由。
• Batch API：DELETE /batch/:id 可立即释放已完成的批量任务，与 start/cancel 使用相同的同源保护。批量记录的 TTL 定时器不再让短生命周期进程挂住，测试套件因此从 10 分钟降到约 3.5 秒。
• tools 模式：聊天中附加的图片现在会在净化门之前建立索引，因此按附件 ID 工作的工具（以及 read_image 别名）在 tools 模式下同样可用；此前这些 ID 在该模式下不可用。
• 修复：单个不可读来源不再中断 vision_attach_images，而是记为 Skipped N: <名称>: <原因>，其余来源照常附加；fetch 策略拒绝仍然是硬错误。PDF 文本层现在真正生效（此前 pdftotext 一直未被识别，文本层静默缺失）。被上限截断的页码范围或帧数会在 truncated 与提示中体现。
• 内部：CI 无需 sudo 安装 poppler、每个提交只跑一次、按 ref 串行，并为帧测试安装 ffmpeg；仓库新增 PR 模板并忽略 .worktrees/。

---

📝 v0.6.0 中的变更

重大稳定性、可靠性及生命周期升级版本。

• 应用内一键自动更新：新增专用更新端点（/api/dsh-vision-bridge/update）以及设置卡片中的控件（settings.plugin.item 中的 UpdaterBlock）。支持实时检查 npm 最新版本、显示更新状态和重启提示，并受到环回（loopback）与 CSRF 源验证的严格安全保护。
• 错误韧性与消除空 catch：全面审查并替换了核心运行时和所有工具中的全部 76 个未标注空 catch 块。引入 bestEffort(label, fn, fallback) 辅助函数用于安全的非关键副作用，并在图像预处理中显式传递降级告警（smartOptimizeImage 返回 preprocessed: boolean 和 warnings: string[]）。
• Scoped 作用域名称一致性：在 package.json、Cordis 补丁、客户端模块加载器及内核元数据中统一保持 @goodandready/dsh-vision-bridge。
• 加固设置安全校验：设置保存路由升级为严格的 fail-closed 校验器（isTrustedSettingsRequest），强制校验环回来源、CSRF 头与 Bearer Token，并拒绝可疑的外部转发请求头。
• 原生主题 CSS 变量支持：客户端诊断和卡片样式完全迁移至 DSH 设计系统变量（--dsw-alias-*），移除了所有硬编码颜色值。
• 净化的公开仓库发布流程：集成基于 Git 底层命令的发布脚本（publish.sh）及 .gitattributes 导出过滤器，确保公开 GitHub 镜像和 npm 归档中不包含任何内部开发文件。

---

📝 v0.6.2 中的变更

可靠性加固、错误可见性与降级告警版本。

• 真实 bestEffort 追踪：彻底移除所有虚拟 /* bestEffort ... */ void err，错误由 bestEffort(label, fn) 捕获并通过 console.debug 输出。
• 工具降级告警 (warnings)：所有工具模块在 output.schema 中声明 warnings: string[]，当模型 JSON 解析异常或降级时透明反馈。
• 预处理故障捕获：图片倾斜校正、增强、EXIF 清除与压缩中的异常被记录为 warnings 并传递给调用方。
• 完整测试验证：新增 test/issue-314-besteffort-warnings.test.js 测试集，总测试用例达到 329 个（104 个套件，100% 通过）。

---

📄 开源许可

MIT © GooDAnDReaDY