xsoc1/dsh-image-vision

给纯文本的 DeepSeek 加上眼睛：聊天里传图 + 识图，一个插件搞定。

• view_image 工具：模型带着问题调用它（OCR、数数、读图表、看 UI 布局……任意视觉问题），插件把图片和问题转发给任意 OpenAI 兼容的 VLM 端点（本地 Ollama / 智谱 / DashScope / 豆包……），答案以文本返回。
• 图片附件桥：在聊天对话框拖拽或粘贴图片即可发送——dsh web 输入框原生接收图片附件，本插件在模型请求前把附件改写为 [用户上传的图片：<路径>] 标记，并引导模型调用 view_image 查看，纯文本模型因此"看见"你上传的图。

用户: （拖一张截图进对话框）帮我看看这个报错
模型 → view_image(source="…vision-bridge/xxx.png", question="这个报错的完整文本是什么？")
     ← "TypeError: Cannot read properties of undefined (reading 'map') at …"
模型: 这是一个 … 建议 …

安装

dsh plugin --profile web add dsh-image-vision

或经 dsh-market 插件市场安装。

注意：host 在消息提交时会校验当前模型的 inputModalities 声明。纯文本模型（如 deepseek-v4-flash 经网关路由）需要在 profile 的 settings.yaml 里把该模型声明为支持图片输入，否则带图消息在提交时就被拒绝：

llm-pi-ai:
  providers:
    opencode-go:
      apiKeyEnv: OPENCODE_GO_API_KEY
      modelOverrides:
        deepseek-v4-flash:
          input: ['text', 'image']

（网关模型目录里本就直接声明 image 能力的模型无需此步。）

后端选择

一套配置（baseURL + apiKey + model）覆盖所有后端：

场景	baseURL	model	说明
默认（免费）	https://open.bigmodel.cn/api/paas/v4	glm-4.6v-flash	智谱免费视觉模型，零成本开箱；高峰限流自动降级
本地 Ollama	http://localhost:11434/v1	qwen3-vl:4b	离线、无 key；小模型对穷举任务较慢，建议 maxTokens: 4096 + timeoutMs: 300000
DashScope	https://dashscope.aliyuncs.com/compatible-mode/v1	qwen3-vl-flash	百炼 VL 线，高精度 OCR
火山豆包	https://ark.cn-beijing.volces.com/api/v3	doubao-seed-2-1-turbo-260628	Ark 模型 ID 带日期后缀

API key 读取顺序：插件配置 apiKey → $VISION_API_KEY → $DSH_VISION_API_KEY（仅 export）→ $ZHIPUAI_API_KEY → $DASHSCOPE_API_KEY。本地端点（localhost）无需 key。

免费档降级链：默认配置下插件自动依次降级 glm-4.6v-flash → glm-4.1v-thinking-flash → glm-4v-flash（可用 fallbackModels 覆盖）。thinking 系模型的 <think> 推理块会被自动剥离。

配置

dsh-image-vision:
  baseURL: http://localhost:11434/v1
  apiKey: ""            # 留空则读环境变量；本地端点无需 key
  model: qwen3-vl:4b
  maxTokens: 4096       # 推理型模型建议 ≥2048
  timeoutMs: 300000     # 本地冷加载与穷举 OCR 需 1-4 分钟
  maxImageBytes: 10485760

工作原理

1. 传图：对话框拖拽/粘贴 → dsh 附件服务持久化（~/.dsh/attachments/v1/）→ 消息带 image 块。
2. 桥接：llm/stream 瀑布最前拦截 → 图片导出为 ~/.dsh/vision-bridge/<sha256>.<ext> → 替换为 [用户上传的图片：<路径>] 文本标记 → 递归重入（无图时直通，不循环）。纯文本适配器不再报 UNSUPPORTED_CONTENT。
3. 识图：模型看到标记 → 调用 view_image → VLM 返回文本描述 → 模型基于描述回答。

License

BSD-3-Clause。view_image 转发逻辑移植自 dsh-vision（BSD-3-Clause）。