maxwell-feng/dsh-tesseract-ocr

English | 简体中文

一个 DeepSeek Harness（dsh）插件：让纯文本模型也能"看"附件图片——图片在本机用 Tesseract OCR 识别，只有识别出的文字会发给模型 API。

隐私默认： 图片在本地 OCR，不把原图发给服务商。只有在你明确需要时，才把 passthrough 设为 true，让真正的视觉模型接收原图。

主要目标平台 Ubuntu（已测试）；只要装了 tesseract CLI 就能用（Linux / macOS / Windows）。已在 dsh 0.1.5-rc.2 上验证。

• 不需要改任何模型配置——不用在 settings.yaml 里给模型加 input: [text, image]。
• 对 dsh 里的任何 provider/模型通用；默认所有附件图片都会先 OCR 再出站。
• 视觉模型透传是显式开启（passthrough: true）。
• 默认安全（fail-closed）：插件没加载时，模型保持纯文本，图片附件会被拒绝——不存在静默泄漏。缺失附件会被替换成拒绝文本，不会留下原始 image 块。

不要与 windows-ocr 插件同时启用：两者会对同一张图各跑一次 OCR。每台机器二选一。

npm 安装

dsh plugin --profile web add dsh-tesseract-ocr

（把 web 换成你的 profile，如 tui。）预编译发布（含 Sigstore provenance），无需源码构建或 allowBuilds 授权。从本仓库源码安装仍可用下方 agent 指南或手动步骤。

或者从仓库 / tarball 安装：

dsh plugin --profile web add ./dsh-tesseract-ocr        # 源码目录
dsh plugin --profile web add ./dsh-tesseract-ocr-0.8.0.tgz
dsh plugin --profile web add github:maxwell-feng/dsh-tesseract-ocr

Git 安装拿到的是源码而非构建产物：包的 prepare 脚本会运行 tsc 从源码 重建 lib/，并且 pnpm ≥ 10 需要一次性允许构建（它会打印确切的 pnpm-workspace.yaml 片段）。

npm 安装会自行注册 tesseract-ocr 这一行。 该包自带 bundle 补丁（dsh.bundle + 它自己的 cordis.patch.yml），已经插入了 tesseract-ocr 这个 loader 条目。请不要再往 profile 里手动 - insert: 一行同 id 的条目——dsh 0.1.5-rc.2 会拒绝重复的 loader 条目 id，dsh web 会以 duplicate loader entry id: tesseract-ocr 启动失败。

文档导航

• 配置说明文档 (English)
• 安装说明文档 (English)
• 使用说明文档 (English)
• 更新说明文档 (English)
• 卸载说明文档 (English)
• 更新日志 (Changelog)

让 AI agent 快速安装

把这个仓库交给任何 AI agent，或直接粘贴下面的指令，agent 会替你完成安装与验证：

请按照 https://github.com/maxwell-feng/dsh-tesseract-ocr/blob/main/agents-install.md 安装本仓库的 dsh 插件。执行每一项前置检查（包括安装 Tesseract 与语言包），选择一种安装方式，然后完成强制验证：在纯文本模型会话里附加一张图片，确认模型能答出图片中的文字。

agents-install.md 是一份写给 AI agent 的分步手册：前置检查（含 Tesseract 与语言包安装）、两种安装方式（profile 永久 / --patch 临时）、强制功能验证，以及常见失败模式的排查。手动安装说明见下文。

为什么是插件而不是 skill

dsh 的 skill 只是注入模型上下文的 Markdown 指令：不能执行代码、不能钩住请求管线、更拦不住图片被序列化上传。这个功能恰好需要这些，所以它是一个 cordis 插件，钩住 llm 服务的两个公开接缝（与 windows-ocr 同一设计）：

1. 能力声明（shim）——包装 ctx.llm.resolveModelInfo（以及 listModels）。宿主在三处用 inputModalities.includes("image") 拦截图片：发送准入、切换模型、read_image 工具。shim 让回答变成"支持"，文本模型即可收图。
2. 步前改写——agent/pre-step，官方提供的、用于替换进入模型调用的消息的接缝（"拒绝一个即将开始的 step，或替换进入它的消息"）。请求构建前，所有 image 内容块已被替换成 OCR 文本块，附件字节永远不会被序列化，也永远不会生成 image_url。它覆盖所有派发路径——ctx.llm.stream 和 prepareCall().stream 都从该 step 的消息构建请求；包装 adapter.stream 已不再有效，因为内置适配器重写了 prepareCall()，通过绑定代的闭包派发。

你附加图片
  → 准入层问 ctx.llm.resolveModelInfo（shim 返回含 "image" ✓）
  → 图片存入本地附件库（会话日志、UI 预览）
  → agent 循环提出 step → agent/pre-step（改写）
  → 本地读取图片字节（ctx.attachments.readImage）→ tesseract CLI
  → 图片块替换为 <image_ocr>…识别文字…</image_ocr>
  → 用 OCR 后的消息构建请求 → 适配器只序列化文本 → 发给服务商

环境要求（Ubuntu）

sudo apt update
sudo apt install -y tesseract-ocr tesseract-ocr-chi-sim   # chi-sim = 简体中文；需要其他语言再加
tesseract --version        # 验证安装
tesseract --list-langs     # 查看已装语言

语言包：tesseract-ocr-eng（基础包一般自带）、tesseract-ocr-chi-sim（简体）、tesseract-ocr-chi-tra（繁体）、tesseract-ocr-jpn 等。language 配置用 + 连接多个语言，如 eng+chi_sim。

安装到 dsh

让 AI agent 安装

本仓库的 agents-install.md 是一份写给 AI agent（也适合细心的人工）的分步安装手册。把这份文档交给 agent——例如对它说"按照 https://github.com/maxwell-feng/dsh-tesseract-ocr 的 agents-install.md 安装这个插件"——agent 就能自主完成前置检查、安装、验证和故障排查。手册涵盖两种安装方式、必须做的功能验证（附加图片 → 模型回答 OCR 文字）以及常见的失败模式。

手动安装

两种官方加载方式，patch 行都用绝对路径指向插件文件（见 docs/user/develop/basic）。Windows 上路径必须是 file:// URL——裸写 C:/... 会被解析成 c: URL scheme；Linux 直接写绝对路径即可：

name: '/home/you/tesseract-ocr/lib/index.js'

永久安装：profile 补丁层

在 profile 的 cordis.patch.yml（如 ~/.dsh/profiles/web/cordis.patch.yml）追加：

- insert:
    - id: tesseract-ocr
      name: '/home/you/tesseract-ocr/lib/index.js'
      config:
        language: eng+chi_sim
        passthrough: false

然后重启 dsh web。删掉这几行即卸载；插件会在卸载时恢复原来的 llm / adapter 方法。

两种加载方式二选一：npm bundle（上文）或这里的手动 insert——绝不能同时用。两者注册的是同一个 tesseract-ocr 条目 id，而 dsh 0.1.5-rc.2 在行重复出现时会以 duplicate loader entry id: tesseract-ocr 拒绝启动。如果这一行已经存在（例如已按 npm bundle 方式安装），请用按 id 覆盖的行改配置，而不是再插入一行。

临时加载：--patch overlay

把同样的行写进一个 overlay 文件，启动时带上；profile 保持不动：

dsh --profile web --patch /home/you/tesseract-ocr/dev.patch.yml

注意事项

• dsh web 报端口占用（EADDRINUSE）说明有旧实例在跑：ss -ltnp | grep 3080 找到进程并停止后再启动。
• 打包分发（npm / tarball / github:user/repo）时按组合包方式打包（dsh.bundle + cordis.patch.yml，见 docs/user/develop/basic/publish）；git 安装还需要 prepare 构建脚本和 pnpm allowBuilds 授权。

配置

所有配置都在 tesseract-ocr 这一行。配置会在加载时校验（Schemastery Config schema）——非法取值会带着可定位的错误启动失败，而不是被静默 忽略：

键	默认	含义
language	eng	Tesseract 语言，+ 连接多个，如 eng、chi_sim、eng+chi_sim
passthrough	false	false（默认）：所有图片一律 OCR；true：真视觉模型原样透传图片
tesseractBin	tesseract	CLI 路径；含空格的路径请加引号，如 "C:\Program Files\Tesseract-OCR\tesseract.exe"
psm	3	页面分割模式（tesseract --psm）
timeoutMs	60000	单张图片 OCR 超时（毫秒）
maxCacheEntries	200	单次运行 OCR 缓存上限（按附件 id）

使用说明

任意图片附加到文本模型会话并发送——插件在 agent/pre-step 拦截，本地经 tesseract 命令行识别，并在请求构建前将 image 块替换为文本块。无需改动任何代码或模型配置；dsh 中所有 provider/模型均受益。

模型看到什么

每个图片块变成一个文本块（不会把本地文件名发给服务商）：

<image_ocr>
…识别出的文字行…
</image_ocr>

识别结果按附件 id 在 dsh 进程生命周期内缓存，重复轮次不会重复 OCR。

临时文件自动清理

每次 OCR 都会把输入图片写入系统临时目录下新建的临时目录（tesseract-ocr-*）。超时会先终止并等待子进程退出，再在 finally 中删除（失败会重试一次并打警告日志）——成功、OCR 报错、超时都会删——每次产生的图片文件不会残留。插件启动时还会清扫上次进程崩溃遗留的孤儿 tesseract-ocr-* 目录。除插件自己的临时目录和 dsh 附件库外，不写任何其他位置。

冒烟测试（不需要 dsh）

# 生成一张带文字的测试图，然后 OCR
convert -size 400x120 xc:white -pointsize 36 -fill black \
  -draw "text 20,80 'Hello OCR 123'" /tmp/ocr-test.png   # 需要 ImageMagick；任意 PNG 均可
tesseract /tmp/ocr-test.png stdout -l eng --psm 3

退出码 0 且输出识别文字，说明 Tesseract 就绪。

在 dsh 里验证

1. 在文本模型会话里附加一张图片并发送——模型应能引用识别出的文字作答。
2. 确认图片没出站：web UI 打开 DevTools → Network，查看发往服务商 baseURL 的请求，确认 payload 里只有 text 内容块（没有 image_url/data URI）。

卸载说明

dsh plugin --profile web remove dsh-tesseract-ocr

手动安装时，从 profile 的 cordis.patch.yml 删除 tesseract-ocr 行并重启 dsh --profile web。插件卸载时恢复原始 llm shim；卸载后文本模型的图片附件将重新被拒绝（fail-closed）。

已知限制

• 识别质量取决于已装语言包和 psm；按场景调 language/psm。
• 支持的图片格式取决于 Tesseract/Leptonica 构建：PNG/JPEG/TIFF/BMP 稳妥；WebP/GIF 可能需要额外的 Leptonica 支持。
• 缓存按进程存活；长会话的 OCR 文本会缓存，受 maxCacheEntries 限制。
• 插件注册一个 fiber 作用域的 agent/pre-step 监听器，卸载时恢复 llm 能力 shim。dsh 升级后仍建议完整重启。
• 移除插件后，文本模型的图片附件会重新被拒绝（fail-closed），不会被上传。

License

MIT