tesseract-ocr

一个 DeepSeek Harness（dsh）插件：让纯文本模型也能"看"附件图片——图片在本机用 Tesseract OCR 识别，只有识别出的文字会发给模型 API。图片字节永远不会离开你的电脑。

主要目标平台 Ubuntu（已测试）；只要装了 tesseract CLI 就能用（Linux / macOS / Windows）。

• 不需要改任何模型配置——不用在 settings.yaml 里给模型加 input: [text, image]。
• 对 dsh 里的任何 provider/模型通用；OCR 只作用于文本模型。
• 真正的视觉模型（本身声明支持图片）默认原样透传图片，不受影响。
• 默认安全（fail-closed）：插件没加载时，模型保持纯文本，图片附件会被拒绝——不存在静默泄漏。

不要与 windows-ocr 插件同时启用：两者会对同一张图各跑一次 OCR。每台机器二选一。

为什么是插件而不是 skill

dsh 的 skill 只是注入模型上下文的 Markdown 指令：不能执行代码、不能钩住请求管线、更拦不住图片被序列化上传。这个功能恰好需要这些，所以它是一个 cordis 插件，钩住 llm 服务的两个公开接缝（与 windows-ocr 同一设计）：

1. 能力声明（shim）——包装 ctx.llm.resolveModelInfo（以及 listModels）。宿主在三处用 inputModalities.includes("image") 拦截图片：发送准入、切换模型、read_image 工具。shim 让回答变成"支持"，文本模型即可收图。
2. 请求改写——包装 registration.adapter.stream（ctx.llm.stream 和 prepareCall().stream 两条路径的唯一汇聚点）。适配器序列化请求前，所有 image 内容块已被替换成 OCR 文本块，适配器的图片检查永远不会触发，附件字节不会为出站请求被读取，也永远不会生成 image_url。

你附加图片
  → 准入层问 ctx.llm.resolveModelInfo（shim 返回含 "image" ✓）
  → 图片存入本地附件库（会话日志、UI 预览）
  → agent 组装请求 → adapter.stream（被包装）
  → 本地读取图片字节（ctx.attachments.readImage）→ tesseract CLI
  → 图片块替换为 …识别文字…
  → 适配器序列化纯文本请求 → 发给服务商

环境要求（Ubuntu）

sudo apt update
sudo apt install -y tesseract-ocr tesseract-ocr-chi-sim   # chi-sim = 简体中文；需要其他语言再加
tesseract --version        # 验证安装
tesseract --list-langs     # 查看已装语言

语言包：tesseract-ocr-eng（基础包一般自带）、tesseract-ocr-chi-sim（简体）、tesseract-ocr-chi-tra（繁体）、tesseract-ocr-jpn 等。language 配置用 + 连接多个语言，如 eng+chi_sim。

安装到 dsh

让 AI agent 安装