windows-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 Windows 自带 OCR 引擎（Windows.Media.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。

• 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。

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：

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）→ Windows OCR
  → 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

• Windows 10/11（自带 Windows PowerShell 5.1，无需安装任何东西）
• 你所用语言对应的 OCR 语言包（设置 → 时间和语言 → 语言）。英文一般自带；中文需要安装中文语言包（含 OCR 能力）。
• 已安装 dsh 及 profile（在 dsh 0.1.0-rc.6 上验证）

安装

安装

两种官方加载方式，patch 行都用绝对路径指向插件文件（见 docs/user/develop/basic）。Windows 上路径必须是 file:// URL——裸写 C:/... 会被解析成 c: URL scheme 而被 loader 拒绝。

永久安装：profile 补丁层

在 profile 的 cordis.patch.yml（如 ~/.dsh/profiles/web/cordis.patch.yml）追加：

- insert:
    - id: windows-ocr
      name: 'file:///C:/绝对路径/windows-ocr/lib/index.js'
      config:
        language: ''
        passthrough: true

然后重启 dsh web。删掉这几行即卸载，不残留任何东西。

临时加载：--patch overlay

把同样的行写进一个 overlay 文件，启动时带上；profile 保持不动：

dsh --profile web --patch C:/path/to/overlay.yml