HongMing-Huang/dsh-file-upload

DeepSeek Harness (dsh) 文件消息插件。 Claude 桌面端风格的拖拽/回形针文件上传,内容嗅探,文档转 Markdown 全部内置打包(MarkItDown 引擎,20+ 格式,图片 OCR),小文本直插输入框,语音输入,以及供 agent 使用的 read_document 工具。

English | 中文

功能

• 上传:composer 回形针按钮 + 全局拖拽(拖动文件到窗口任意位置 → "松开以添加文件"遮罩 → 松开即上传),多文件支持。
• 附件卡片:按类型着色的徽标卡(PDF 红 / DOC 蓝 / XLS 绿 / TXT 灰 / ZIP 紫 / JSON 金),显示名称与大小,可移除。
• 文本直插(Claude 风格):小的文本文件(代码/JSON/CSV/日志/配置…)通过官方 slash/input-insert-text 事件内容直接进输入框,模型第一眼就能看到;大文本插入路径引用并附预览。
• 文档转 Markdown(全部内置打包):MarkItDown 引擎随插件发布(微软 MarkItDown 的 TypeScript 移植 markitdown-node):PDF / DOCX / PPTX / XLSX / HTML / CSV / JSON / XML / RSS / Atom / ZIP / Jupyter / 图片 OCR / 音频转写。无需 Python、无需下载、无需配置。
• 图片 OCR 默认可用:上传的图片可通过 read_document 读取(Tesseract,110+ 语言),无需任何视觉插件。
• 语音输入:麦克风录音,转写文本直进输入框(浏览器 Web Speech API,零依赖);音频文件按文件附件上传。
• read_document 工具(供 agent 使用):行号分页(offset/limit)、字节预算 LRU 缓存(文件改动自动失效)、大小预检、走 ctx.fs(继承沙箱与 fs 观察策略)。
• 安全:loopback-only 上传、文件名消毒、会话隔离存储(.dsh-uploads/<sessionId>)、sha256 内容去重、并发限流、TTL 清扫。

安装

dsh plugin --profile web add dsh-file-upload
# 重启 dsh web

使用

1. 点 composer 工具栏的回形针按钮,或把文件拖到窗口任意位置;
2. 小文本文件内容直接进入输入框;文档显示为附件卡,路径随消息发出;
3. agent 用 read_document <路径> 读取文档——按需转 Markdown,支持 offset/limit 翻页。

MarkItDown(全部内置打包,零下载零安装)

MarkItDown 能力已完整打包进插件,装完即用:不需要 Python、不需要 pip、不需要下载、不需要构建脚本授权。

• 内置引擎:微软 MarkItDown 的 TypeScript 移植(markitdown-node)作为正式依赖随包发布,覆盖 20+ 格式——PDF / DOCX / PPTX / XLSX / HTML / CSV / JSON / XML / RSS / Atom / ZIP / Jupyter / 图片 OCR(Tesseract,110+ 语言)/ 音频转写(经 LLM,需模型凭据)。
• 图片:默认经内置引擎 OCR 转文字,无需视觉插件。
• 离线可用:所有解析在本地完成,无网络依赖。

可选增强:如果机器上本来就装有官方 MarkItDown CLI(或通过 markitdownBin 指定),插件会自动优先使用它(额外支持 EPUB 等);没有也完全不影响——内置引擎始终可用。

- id: file-upload
  config:
    markitdownBin: /path/to/your/markitdown   # 可选;留空 = 纯内置引擎

内置模式启动日志:

[dsh-file-upload] Document → Markdown ready: bundled MarkItDown engine (20+ formats, image OCR) — fully packaged, no downloads, no Python.

图片怎么处理

场景	路径
模型支持图像输入(或已装视觉桥接插件如 dsh-vision-router)	agent 用官方 read_image 工具读取
默认(无视觉路由)	read_document <图片路径> → 内置引擎 OCR(Tesseract)返回文字描述
官方 MarkItDown CLI + LLM 凭据	read_document <图片路径> → CLI 描述图片

注入的 systemPrompt 已包含上述指引,agent 会自动选择合适路径。

语音输入

• 录音:composer 的麦克风按钮最多录制 maxRecordSec(默认 60 秒);转写文本(浏览器 Web Speech API)以可编辑文本形式进入输入框,发送前可修改。
• 音频文件:上传的音频按文件附件存储;配置了 ASR 端点(OpenAI 兼容 /audio/transcriptions)后,插件自动转写并把转写文本随消息发出。

- id: file-upload
  config:
    asrEndpoint: ''               # 例如 https://api.openai.com/v1/audio/transcriptions
    asrApiKeyEnv: OPENAI_API_KEY  # 存放 ASR 密钥的环境变量名
    asrModel: whisper-1

配置

字段	默认	说明
uploadMaxBytes	25165824 (24MB)	单文件上传上限
allowedExtensions	[]	扩展名白名单;空 = 全部允许
uploadTtlMs	604800000 (7天)	未引用上传文件保留时长
sweepIntervalMs	3600000 (1h)	清扫周期;0 = 关闭
maxConcurrentUploads	4	并发上传上限
inlineTextLimit	8192 (8KB)	直插输入框的文本大小上限
previewTextLimit	2048 (2KB)	大文本预览长度
maxFileBytes	25165824	单次文档读取字节上限
readLimit	2000	read_document 单次返回行数上限
sheetRowLimit	200	每个 XLSX sheet 保留行数
maxSheets	5	读取的 sheet 数
cacheEntries	16	解析缓存条目数
cacheMaxBytes	67108864 (64MB)	解析缓存字节预算
markitdownBin	''	可选 MarkItDown CLI 路径;空 = 自动探测 PATH
markitdownTimeoutMs	120000	单次 CLI 调用超时
maxRecordSec	60	语音录音最大时长(秒)
asrEndpoint	''	可选 OpenAI 兼容 ASR 端点(音频文件转写)
asrApiKeyEnv	OPENAI_API_KEY	存放 ASR API 密钥的环境变量名
asrModel	whisper-1	ASR 模型名

开发

pnpm install
pnpm build     # tsc(host)+ esbuild(client bundle)
pnpm test      # node --test

架构

src/
├── index.ts        # 入口:apply + Config schema + 组装
├── detect.ts       # 内容嗅探(不信任扩展名)
├── convert.ts      # MarkItDown 引擎 + 可选 CLI 后端
├── upload.ts       # 上传路由:loopback/会话/大小/去重/TTL
├── asr.ts          # 音频转写(OpenAI 兼容端点)
├── tool.ts         # read_document:ctx.fs 读取 + 分页 + LRU 缓存
└── client/
    └── index.tsx   # 回形针 + 拖拽遮罩 + 麦克风 + 附件卡片

双面插件:dsh.bundle(host)+ dsh.client(web UI)。无任何官方补丁,全部走官方 seam(ctx.webServer / ctx.tools / ctx.systemPrompt / ctx.sessions / slash/input-insert-text / slash/input-insert-reference)。

安全

• 上传仅限 loopback,并做同源校验。
• 文件名消毒(控制字符、路径分隔符、点段、前导点全部剥离)。
• 存储按会话隔离在工作区下;未知会话返回 403。
• sha256 内容去重、并发限流(超限 429)、TTL 清扫。
• 文本提取按字节嗅探,不信任扩展名;二进制文件只以路径形式交给 agent。

License

MIT