dsh-vision-assist

Vision for text-only models in DeepSeek Harness (DSH). Give a model that cannot see images a pluggable multimodal "vision sidecar": paste an image and recognition is handed to a configurable VLM, so the conversation never trips the model does not support image input rejection.

🇨🇳 中文：给没有视觉能力的主模型配一个可随时切换的多模态识别模型，输入框图片开箱即用。

When the routed model cannot accept images, this plugin intercepts the request at the LLM call boundary and rewrites the image blocks into a "local attachment path + a call to vision_recognize" text hint. The message body and the UI history keep the original image; only the request sent to the vision-less model is rewritten. The actual recognition is done by the multimodal model you pick in settings.

# install from this repo
dsh plugin --profile web add github:wjling/dsh-vision-assist
# restart DSH to activate

# local development
git clone https://github.com/wjling/dsh-vision-assist
cd dsh-vision-assist
pnpm install
pnpm run build:client   # rebuild lib/client.js after editing src/client.js

---

功能

1. vision_recognize 工具（host 级注册，任意会话可用）：用选定多模态模型识别本地图片， 支持三档精细度 coarse / default / fine，可附加自定义 prompt。
2. 模型调用边界图片降级：当会话路由模型无视觉输入时，发往该模型的请求在 llm.streamWithRegistration 边界被克隆改写（图片块 → 附件仓路径 + vision_recognize 指引）；能看图的模型不受任何干预。GUI 气泡与会话历史始终保留原图。
3. 热更新配置 + 设置页 UI：识别模型可在 DSH 设置 → 插件（可配置标签页）的 "视觉助手 vision-assist" 卡片里直接改，或改 settings 的 vision-assist 命名空间，均即时生效。

安装

dsh plugin --profile web add github:wjling/dsh-vision-assist
# 重启 DSH 生效

宿主共享包 @deepseek-ai/dsh-llm / dsh-settings / dsh-tools 按 peerDependencies 声明（运行时由 DSH 宿主提供，不遮蔽宿主版本）； 开发环境通过 devDependencies 安装同名版本用于本地解析。schemastery 是唯一常规依赖。client 段构建产物为 lib/client.js（esbuild CJS 工厂， react 由宿主模块系统外部提供）。

配置

方式一：DSH 设置页（推荐）——设置 → 插件 → 可配置标签页 → "视觉助手 vision-assist" 卡片：

• 启用识别接管（总开关）
• 识别模型 provider（如 codemaker）
• 识别模型 model（如 gemini-3.7-flash）
• 识别超时（毫秒，1000–600000）

方式二：settings.yaml（热更新，两种方式写的是同一份配置）：

vision-assist:
  enabled: true          # 总开关，false 时工具与图片改写都停用
  provider: codemaker    # 识别模型所在 provider（需在 llm-pi-ai 中配置）
  model: gemini-3.7-flash  # 识别模型 id
  timeoutMs: 120000      # 单次识别超时（毫秒）

要求：选定的模型在 llm-pi-ai.providers.<provider>.models 中声明了 input: [text, image]（未声明的模型会被 DSH 视为纯文本而拒绝图片）。

工作原理

输入框贴图发送
   │  api-proxy 模态预检（resolveModelInfo 声明图片能力）→ 消息正常进入会话
   ▼
GUI 气泡显示原图，会话历史保留图片
   │  主模型回合发起 llm 调用（llm.stream / preparedCall.stream）
   ▼
包裹 streamWithRegistration：路由到无视觉 pi-ai 模型？
   ├─ 否 → 原样放行
   └─ 是 → 克隆请求，图片块（含 tool-result 嵌套）替换为
          "附件仓路径 + 调用 vision_recognize" 的文本指引
                      ▼
               主模型正常接单 → 调用 vision_recognize(path=..., mediaType=...)
                      ▼
          ctx.llm.stream 直连选定多模态模型 → 返回识别文本 → 继续任务

兼容性

• 开发/测试环境：DSH 0.1.0-rc.8，Node ≥ 20
• 插件全部逻辑在用户空间（~/.dsh + 插件包本体），更新 DSH 后无需任何重装或补丁
• host + client 双段：client 段仅注册设置卡片（settings.plugin.item 插槽）， 改动 src/client.js 后需执行 npm run build:client 重建

FAQ

• 图片会不会丢？ 不会。原图始终保存在 ~/.dsh/attachments/v1/objects/（内容寻址）， 界面与会话历史保留图片，只有"发往无视觉模型的那次请求"里被替换为识别指引。
• 怎么换识别模型？ 设置 → 插件 → "视觉助手 vision-assist" 卡片里改 provider/model， 或改 settings 的 vision-assist.provider/model，立即生效。
• 识别模型报 "does not support image input"？ 该模型在 llm-pi-ai 里没声明 input: [text, image]，补上声明后重试。
• 会话切成视觉模型后图片没有改写，正常吗？ 正常——插件只干预无视觉的模型。

Roadmap

• client 设置 UI（在 Web 设置页直接选识别模型）
• 多图并行识别
• 识别结果缓存（同 attachmentId 不重复调模型）

License

MIT