MindsEye

让 DeepSeek 原生看图 —— model-driven vision tools for DeepSeek Harness

当前版本：0.2.2

MindsEye 是一个 DeepSeek Harness（dsh）vision 插件。粘贴图片后，图片原样显示在会话里，DeepSeek 继续负责思考，视觉模型负责看图。插件暴露一组按任务拆分的视觉工具，由模型根据用户意图选择工具，每个工具固定映射到对应的意图和模型路由，返回结构化 JSON，并通过缓存与证据复用减少重复开销。

核心体验

• 粘贴即看图：接管 deepseek-official 路由，图片原生进入会话；接管不可用时自动降级为路径粘贴，新图始终能发出去
• 模型选工具，插件管模型：mindseye_read_image、mindseye_ocr、mindseye_ground、mindseye_colors 各自固定意图，模型按用户问题选工具，插件按工具映射到对应的模型链
• 生图即所见：mindseye_generate_image 委托专用图片生成模型，结果作为 dsh 附件直接显示在会话中，不自动保存、不自动回验
• 图片轮自动挂载：检测到图片消息时自动注册视觉工具；纯文本轮默认只保留一个激活入口，避免常驻占用模型上下文
• 多图一次读：批量读取多张图片，批量遇 4xx 按指数拆分降级，失败只影响单张
• 旧会话不毒化：历史带图会话在回退模式下也能正常对话，图片块自动替换为附件标记
• 每次调用透明：返回 provider、model、延迟、token usage、fallback 标记，成本可审计

已实现功能

图片入口

• 原生粘贴/拖拽（接管模式，模型选择器无分身）
• paste-to-path 兜底：文本模型场景下自动把粘贴转为路径文本
• mindseye_read_image 通用看图，支持本地路径、单张附件 id、批量附件 id

工具与路由

工具	意图	路由	批量
mindseye_read_image	通用视觉问答	understand	支持
mindseye_ocr	逐字文字提取	extract	支持
mindseye_ground	目标像素坐标定位	locate	不支持
mindseye_colors	整图主色板	understand	支持

• understand / extract / locate 三档模型路由可分别配置，未配置时自动回退到通用理解模型
• 图片轮自动挂载视觉工具；纯文本轮只保留 mindseye_vision_activate 作为激活入口，工具不会常驻挤占模型上下文
• 结构化 JSON：images / evidence / answer / meta，meta 含真实 token usage、调用尝试与回退标记
• 精确缓存：图片 sha256 + 归一化问题 + region + baseUrl + model + prompt 版本，命中时不再调用视觉模型

图片生成

• mindseye_generate_image(subject, context?)：文本模型按用户要求委托专用图片生成模型
• request 由插件自动读取用户最新消息原文，模型不提供、不改写；subject 必填，由模型从对话提取主体；context 可选，只补风格或约束背景
• 生成结果作为 dsh 附件直接显示在会话中，附带 (token_usage=..., 宽x高, 大小) 审计行
• 支持 OpenAI-compatible /images/generations，b64_json 或下载型 URL 均校验后落为附件；不自动保存到项目路径，不自动调用视觉工具回验

Provider

• OpenAI-compatible Chat Completions 与 Responses 协议
• 多路由 fallback 链，失败自动切换
• 多图批量调用 + 指数降级（批量 4xx 按半数拆分重试，locate 不支持批量）

记忆

• 图片级硬事实按 sha256 持久化，evidence 按容量 LRU 淘汰（默认 1000 条）
• 软记忆 BM25 检索历史问答注入上下文，历史问答按容量滚动淘汰（默认 1000 条）
• mindseye_memory_put / get / search / diff 四个 dsh 工具，调用在会话中可见，并记录审计

数据处理与安全边界

• 原生附件优先：支持图片输入的模型保留 dsh 原生附件；MindsEye 通过附件 ID 关联图片，不要求用户手动选择本地文件。
• 自动临时路径降级：当当前模型被确认是文本模型时，启用的 paste-to-path 会校验用户刚粘贴的 PNG、JPEG、WebP 或 GIF（单张最多 25 MiB），保存到独立的系统临时目录并自动返回分配的路径。临时文件以 0600 mode 创建，用户无需手动提供路径。
• 外部视觉调用：只有执行任一 MindsEye 视觉工具并调用用户配置的视觉 Provider 时，图片字节与问题内容才会发送到该 Provider 的 Base URL。用户应仅配置自己信任的服务。
• 凭据与缓存：API Key 从环境变量、dsh Credentials 或插件设置解析，并仅以 Bearer 认证发送给对应 Provider。精确缓存只保存在当前 dsh 进程内存，最多 500 条；它不写入持久化数据库，并会在进程退出时清空。
• 执行边界：插件不启动 shell、子进程或下载后执行代码。正常 Web 粘贴降级只读取插件刚为该次粘贴生成的临时图片；工具接口也支持 dsh 附件 ID。

dsh Web 设置卡

• understand / extract / locate 三条路由，按需添加，未配置自动回退默认模型
• Base URL、API Key（脱敏 + 眼睛切换）、模型 ID、协议（显式选择）、Max Tokens 常用值下拉
• 模型接管默认开启：修改后重启生效，启动失败自动恢复官方适配器并降级为路径粘贴

安装

npx @deepseek-ai/dsh plugin --profile web add dsh-mindseye

重启 dsh web 即可原生粘贴图片。“模型接管”默认开启，可在 Settings → Plugins → MindsEye 中调整。

首次使用请在 MindsEye 设置卡中配置一个通用视觉模型（Base URL、API Key、模型 ID）；未配置的 OCR / 定位路由会自动回退到通用模型。

开发

pnpm install
pnpm test
pnpm typecheck
pnpm build