dsh-vision —— 给纯文本模型自动配眼

⚠️ 依赖提示:本插件需要搭配 uiopt 项目一起使用。 视觉模型的图形化配置界面(视觉模型下拉、输出上限、模式、超时)由 uiopt 的"额外插件 → 可配置插件"标签页承载;未安装 uiopt 时,只能通过 settings.yaml 手动配置,且无法在界面中切换视觉模型。

让 DeepSeek-V4 这类纯文本模型在 dsh 里"看到"图片:图片消息自动桥接为视觉模型生成的文字描述,原图保留在人类转录中。零新增凭据 —— 视觉模型复用 profile 已配置的 llm-pi-ai 路由(默认 opencode-go / minimax-m3,与主模型同一把 key)。

原理(全部基于 dsh 官方机制,零 hack)

1. 包装 llm/stream 的 streamWithRegistration 方法:请求含 image 块且目标模型未声明 image 输入时触发(适配器层之前的准入门禁由 resolveModelInfo 包装放行,二者联动);
2. 用视觉模型把图片转为文字描述(描述带"识图结果"身份标记,主模型明确知道内容来自识图模型);
3. 把描述作为一条 user/message surface-replace 事件 append 进会话日志(与 compaction 压缩历史同款机制)——只对模型可见,人类转录保留原图;
4. 本次请求用同一份描述改写后放行,首轮即成功;模型调用 read_image 等工具返回的嵌套图片同样被递归识别改写;
5. 替换事件落库后,后续每轮历史投影天然给出稳定文本:网关前缀缓存与普通文本会话完全等价(历史全命中,仅新消息 miss)。

安装

# 1. 接线到 profile(把本地目录作为 link 依赖加入 bundle,依赖自动 reconcile 进层栈)
dsh plugin --profile web add link:D:/dsh-plugins/dsh-vision

# 2. 重启 dsh web 后验证挂载
dsh --profile web --dump-config | Select-String dsh-vision

配置(官方 settings 通道,热生效)

界面方式(需 uiopt):设置 → 插件 → 额外插件 → 可配置插件 → 展开 dsh-vision 卡片:

• 视觉模型下拉:自动枚举当前所有 provider 中声明 [text, image] 输入的模型(按提供方分组);
• 高级字段:输出上限、模式(auto/manual/both)、超时。

保存后写入 settings.yaml 的 dsh-vision 分节(与 llm-pi-ai 同款官方通道),下一次识图立即生效。

文件方式(组合层默认值,见 bundle 自带 cordis.patch.yml):

- insert:
    - id: dsh-vision
      name: dsh-vision
      config:
        provider: opencode-go   # 视觉模型路由(复用已配置的 key)
        model: minimax-m3       # 快(~3s)且便宜;可选 kimi-k2.7-code / qwen3.6-plus / kimi-k3 / qwen3.7-plus / mimo-v2.5 / grok-4.5
        maxTokens: 4096         # 描述输出上限
        mode: both              # auto=仅自动桥 | manual=仅 see_image 工具 | both=两者
        timeoutMs: 60000        # 视觉调用超时

配置解析顺序:patch 的 config(组合层 base)→ settings.yaml 用户层,后者优先;字段级覆盖,热生效。 说明:官方"插件配置"标签页只服务 dsh 仓库内白名单命名空间(apiproxy),第三方插件的配置 UI 由 uiopt 的"额外插件"卡片承载,数据通道仍是官方 settings seam。

行为说明

• 自动桥:图片出现在纯文本模型的请求中时自动转换,无需模型或用户做任何事;
• 原生看图优先:当前模型自身支持 image(如 kimi-k3)时插件完全不干预;
• see_image 工具:手动/追问入口,file_path + 可选 question;
• 缓存:描述固化在日志,历史前缀缓存与文本会话等价;新图首次出现按未命中价计费一次(与发送新消息相同);
• 失败语义:视觉调用失败时本次请求仍成功(图片位置为"解析失败"占位),且不固化,下次自动重试;
• 成本:视觉调用不进入会话 usage 统计(绕过 agent loop 记录路径),缓存命中后趋零;图片描述通常几百 token,按视觉模型单价计。

限制

• 依赖 dsh 预览版 API(llm/stream waterfall、surface replace、foldSurface),rc 升级若改签名需同步更新;
• 图片位于历史中部首次出现时,该轮从图片处起前缀缓存失效一次,之后恢复(前缀缓存固有特性);
• 视觉模型必须真实支持图片输入,配置错误会导致占位文本(不会死循环)。