dsh-plugin-vision

DeepSeek Harness (dsh) 的辅助视觉插件： 把图片发给外部的 OpenAI 兼容视觉端点，返回文字分析结果。任何主模型都能用——包括纯文本的 DeepSeek。

为什么需要它

dsh 内置的 read_image 工具把图片注入主模型上下文， 要求主模型声明支持图像输入；而 DeepSeek 适配器是 inputModalities: ['text']，所以 read_image 在 DeepSeek 下直接拒绝执行。本插件走互补的辅助视觉路线：把图片发给独立的视觉模型，把回答以文字形式 返回给 agent，不依赖主模型的视觉能力。

	read_image（内置）	vision_analyze（本插件）
图片去向	主模型上下文（原生）	外部视觉端点
主模型需支持视觉	需要	不需要
结果	模型直接看到图片	纯文字回答

工作原理

1. 读取图片——本地文件路径或 http(s) 链接（有大小上限、魔数 MIME 嗅探）。
2. 转成 base64 data URL。
3. 向端点发 OpenAI 兼容的 chat/completions 请求，content 为 [{type:text},{type:image_url}]。
4. 返回视觉模型的回答（思考型模型无正文时回退到 reasoning_content）。

两个能力

1. vision_analyze 工具

把图片（本地路径或 URL）发给配置的视觉端点，返回文字回答——任何主模型都能用，包括纯文本的 DeepSeek。

2. 图片附件转述（Web 界面贴图）

Web 界面支持粘贴/拖拽图片，但 DeepSeek 适配器会拒绝图片内容（UNSUPPORTED_CONTENT）。 本插件挂钩 agent/pre-step（官方文档里"替换进入 step 的消息"的接缝）：当用户消息携带图片块时， 调用视觉端点描述图片，在消息到达模型之前把每个图片块换成 [User-attached image description] 文字块。DeepSeek 永远只看到文字，贴图就能用了。当主模型路由声明支持图像输入时，自动跳过转述， 走原生视觉。用 attachImages 开关（默认 true）。转述失败会降级为明确提示，不会卡住对话。

attachMode 控制问视觉模型的方式：

• auto（默认）：用户随图写了文字时，把用户的原文原样作为问题传给视觉模型—— "这是谁？""翻译图里的文字""这个页面哪里有问题？"都会被直接作答，另附一行图片概要便于追问； 没有文字时退化为通用描述。
• describe：永远用通用描述提示词，忽略用户文字。

3. deepseek-vision provider 路由（Web 界面贴图，根治）

Web 界面的上传预检在所选模型未声明图像输入时会拒绝图片——所以在普通 DeepSeek 路由下，粘贴的图片 根本到不了 agent。本插件注册一个 deepseek-vision provider：一个 DeepSeekAdapter 子类，声明 支持图像输入（预检放行），在请求时把附件图片转述为文字，再委托给真正的 DeepSeek chat-completions 端点。主模型仍然是 DeepSeek——同一端点、同一 key、同一批模型。在模型选择器里选 "DeepSeek (vision via plugin)"，然后照常粘贴/拖拽图片即可。用 开关（默认 ），provider id 为 （默认 ）。