我给 DeepSeek Harness 写了个开源插件：dsh-vision-plugin

给 DeepSeek Harness 的纯文本模型装上「眼睛」——图片先由视觉模型转写成文字，主模型照常回答。

从一次「它看不见」说起

在用 DeepSeek Harness（DSH）聊天时，一个反复出现的场景让人头疼：deepseek-v4 系列是纯文本模型，你可以在对话框里粘贴截图、照片，但模型看不到它们。粘贴一张报错截图，得到的回复往往是「我无法查看图片」。

其实解决思路很直接：找一个看得见的模型当「翻译官」。图片先交给视觉模型（qwen3.7-plus、kimi-k3 等）转写成文字描述，再把描述交给主模型——纯文本模型就「看得见」了。

于是我把这个思路做成了开源插件：dsh-vision-plugin（MIT 协议，已发布到 npm）。

三个能力

1. 粘贴图片直接问 —— 对话框粘贴或拖入图片，任意文本模型都能回答图片内容，不需要任何特殊指令。
2. vision_analyze 工具 —— 模型可以主动调用它分析本地图片文件，还能指定问题（「图中表格第三行数据是多少？」）和具体视觉模型。
3. 设置页配置视觉模型 —— DSH 设置面板新增「视觉模型」页：选择默认视觉模型、查看当前路由，中英双语、跟随界面语言。

效果是这样的：

你：这是什么？                          （粘贴了一张 Clash Verge Logo）

助手：这是 Clash Verge 的标志（Logo）。左侧是一个黑色的猫头剪影，
     右侧是文字 "Clash Verge"。它是一款基于 Clash 内核的图形化
     代理客户端软件……

图片由视觉模型自动转写，主模型看到的是文字描述，回答和读图效果一样自然。

快速开始

永久安装只需要三步，之后每次 dsh 启动都会自动载入。

① 一条命令安装。 插件已发布到 npm，dsh plugin 会装好包并自动把它注册进 profile 的 bundles：

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

② 给文本模型声明图片能力。 宿主在消息进入会话前会检查当前模型的输入能力，需要在 ~/.dsh/settings.yaml 里给文本模型声明（文件热加载，不用重启）：

llm-pi-ai:
  providers:
    opencode-go:
      apiKeyEnv: OPENCODE_GO_API_KEY
      modelOverrides:
        deepseek-v4-flash:
          input: [text, image]
        deepseek-v4-pro:
          input: [text, image]
        # 其他可能切换到的文本模型同理；原生视觉模型无需声明

③ 重启 dsh，粘贴图片开聊。 验证方法：设置面板出现「视觉模型」页、工具列表里有 vision_analyze。

它是怎么工作的

仓库根目录就是一个 dsh bundle 包，由三部分组成：

• lib/index.js —— 宿主半部（组合插件行 vision）：注册 vision_analyze 工具、llm/stream 转写瀑布，以及 /vision/api/state、/vision/api/model 两个 JSON 接口；
• lib/client.js —— 浏览器半部：「视觉模型」设置页，由 web shell 提供；
• cordis.patch.yml —— loader 补丁行，负责把 bundle 挂载进 dsh 启动流程。

核心逻辑都在 lib/engine.js 里——共享引擎，单一事实源：工具、瀑布、路由发现、缓存与超时全部集中在这里，而且刻意保持零 import（因为 pnpm 不会为 link: 方式安装的 profile 插件安装依赖）。

工作流程：图片进入会话 → llm/stream 监听器判断目标模型——原生视觉模型（白名单）直接看原图；文本模型则先由视觉模型转写成文字再派发。转写请求带 Symbol 标记防止递归，结果按「图片 + 问题」缓存（TTL + FIFO 上限，并发时同一张图共享一次在途调用，不会重复请求）。

可靠性设计

视觉模型调用是外部依赖，出错不能打断对话：

• 输出了一部分就保留一部分；
• 完全失败就换备用模型再试一次；
• 调用挂起超过两分钟会被掐断并视为失败，从而触发备用模型重试；
• 还不行就告诉模型「图片暂时不可用」，对话照常继续。

视觉模型的选择优先级：工具显式参数（model/provider）> 设置页配置 > 自动选择。自动选择会遍历所有已配置的 provider，找到第一个带视觉模型的路由——即使你没有配置某个特定 provider 也能用。同一张图、同一个问题有缓存，多轮追问不会重复计费。

工程实践

• 一致性检查：npm run check 校验版本号在各处同步、lib/engine.js 保持零 import；
• 测试套件：npm test 覆盖路由发现、override 优先级、缓存/去重、超时、瀑布、工具六类场景；
• 可调常量：全部集中在 lib/engine.js 顶部——兜底模型、原生视觉白名单、自动选择顺序、视觉调用挂起超时、转写缓存 TTL 与上限、模型目录缓存 TTL。

开源地址

项目以 MIT 协议开源，欢迎 star、提 issue、贡献代码：

GitHub：https://github.com/Xin-Zhang-IceMan/dsh-vision-plugin

从「模型看不见图片」这个小痛点出发，到设计 bundle 结构、写引擎、补测试、发 npm 包，整个过程收获很多。如果你也在用 DeepSeek Harness，希望这个插件能帮上忙。