Vision Mix

Vision Mix 是 DeepSeek Harness 的视觉增强插件。它把文本模型、视觉模型和可选的图片生成 API 组合成一个 Mix 模型，让原本不支持图片的 Agent 能识别上传图片、理解网页截图、持续追问图片内容，并生成或编辑图片。

模型的 Base URL、协议和 API Key 仍由 DSH 的“设置 → 模型”统一管理。Vision Mix 只引用已经配置好的 Provider，不复制凭据。

三分钟上手

1. 安装

在 DeepSeek Harness 仓库目录执行：

pnpm dsh plugin --profile web add dsh-vision-mix

启动 Web：

pnpm dsh web

安装后的正常启动不需要 --patch。

2. 配置准备使用的模型

打开“设置 → 模型”，配置至少两个模型：

用途	要求	示例
基础模型	能处理文本、推理和工具调用	deepseek-chat、deepseek-v4-pro
识图模型	中转站实际支持 OpenAI/Anthropic 图片消息	gpt-5.6-sol、其他视觉模型

识图和基础模型可以来自同一个 Provider，也可以分别使用不同中转站。

如果还要生成或编辑图片，再配置一个支持 OpenAI-compatible /images/generations 和 /images/edits 的 Provider。它可以使用与识图模型完全不同的 Base URL 和 API Key。

3. 一键接入中转站识图模型

打开“设置 → Vision Mix”，在“识图模型接入”中：

1. 从“待接入模型”选择刚才配置的视觉模型。
2. 点击“一键测试并配置”。
3. Vision Mix 会临时授予该模型 image 能力，发送一张红色测试图。
4. 模型正确识别红色后，Vision Mix 才会保存能力声明并把它设为图片模型；失败会自动回滚。

测试会产生一次很小的模型调用，但不会出现在聊天会话中。

4. 选择基础模型和可选能力

继续在“设置 → Vision Mix”完成：

1. 选择基础模型。
2. 确认图片模型是刚才测试通过的模型。
3. 根据需要选择意图识别模型，用于判断“再详细一点”等模糊的跨轮图片追问。
4. 根据需要开启“自动识别 Agent 工具返回的截图或图片”。
5. 点击“保存路由”。

5. 开始使用

新建对话，在模型选择器中选择 Mix，然后尝试：

上传一张图片：这张图里是什么？
下一轮追问：右下角还有什么？
让 Agent 截图：检查当前网页有没有布局问题。

Mix 是 Vision Mix 注册的固定模型入口，不是一个需要单独填写 API Key 的模型服务。

中转站识图模型接入说明

很多中转站的 只返回模型 id，不会声明模型能否接受图片。DSH 会安全地把这类自定义模型视为纯文本模型；如果直接发送图片，请求会在本地被拒绝，并不会到达中转站。