@deepseek-ai/dsh-ocr

配置（环境变量）

变量	默认值	说明
DSH_HOME	~/.dsh	harness 数据目录
DSH_OCR_PYTHON	python3	快速通道的 Python 解释器
DSH_OCR_SCRIPT	包内 tools/ocr_image.py	快速 OCR 脚本路径
DSH_OCR_PYTHONPATH	未设置	透传给 Python 子进程的 PYTHONPATH
DSH_OCR_LD_LIBRARY_PATH	未设置	透传 LD_LIBRARY_PATH（如 vendored numpy 轮子）
DSH_OCR2_BIN	llama-mtmd-cli	深度通道二进制（不在 PATH 时给全路径）
DSH_OCR2_MODEL	$DSH_HOME/models/ocr2/DeepSeek-OCR-2-IQ4_NL.gguf	深度模型
DSH_OCR2_MMPROJ	$DSH_HOME/models/ocr2/mmproj-deepseek-ocr-2-q8_0.gguf	视觉投影 mmproj
DSH_OCR2_CACHE	$DSH_HOME/attachments/ocr2-cache	深度结果磁盘缓存目录
DSH_OCR2_MAX_TOKENS	1200	深度通道最大生成 token
DSH_OCR2_THREADS	6	深度推理线程数

使用（安装之后）

快速识别（默认通道，开箱即用）

1. 打开你自己的 DSH Web 界面，新建一个会话；
2. 把图片拖进输入框（或点附件按钮选择图片；若装了 tools/paste-image-plugin.json，也可以直接 Ctrl+V 粘贴截图）；
3. 正常发送消息，模型就能"看到"图片内容了——可以问"这张图里有什么"、"把表格转成 Markdown"、"提取发票上的字段"等。

发图后，模型实际看到的是图片的 OCR 文本块（会话日志/请求体中形如）：

[图片OCR 附件 screenshot.png a1b2c3d4e5f6a7b8]
[0.98] 【版面说明】各行末尾 @x,y 为文本框左上角坐标；文本已按阅读顺序重排…
[0.95] DeepSeek Harness @32,58
[0.93] | 会话 | 时长 | @70,461

深度识别（DeepSeek-OCR-2 通道，可选）

需要版面级解析（复杂表格、发票、扫描件、手写体）时，在消息文本里带上 [深度识图] 再发图即可，其余操作相同：

这张发票请提取所有字段 [深度识图]

深度通道会调用本地 DeepSeek-OCR-2 做完整版面解析，输出 [深度OCR 附件 …] 文本块，精度明显高于快速通道。

如何确认插件已生效

• 方法一（最直观）：发一张带文字的截图，模型能准确复述/理解图片内容，说明 OCR 链路已接管；
• 方法二：查看会话日志或抓包，图片块应变成 [图片OCR 附件 …] / [深度OCR 附件 …] 文本块，而不是 image_url 直传；
• 方法三（对照）：把 cordis.patch.yml 里的 ocr-provider 行移除并重启 DSH，再发同一张图——模型会回到"只看到附件占位、读不出内容"的状态，即为插件在起作用。

使用提示

• 支持格式：PNG / JPEG / WebP / GIF；
• 自动缓存：同一张图片（按附件 ID）只识别一次，重复发送直接命中缓存秒回；
• 隐私：图片字节只在本机处理，发给模型的只有 OCR 文本；只有未安装插件（无 ocr 服务）时才会回退把图片 base64 直传给 API；
• 注意：识别出的文本较长时（快速通道上限 8000 字符、深度通道 16000 字符）会被截断，超大图片建议裁剪后再发。

使用提示

• 支持格式：PNG / JPEG / WebP / GIF；
• 自动缓存：同一张图片（按附件 ID）只识别一次，重复发送直接命中缓存秒回；
• 隐私：图片字节只在本机处理，发给模型的只有 OCR 文本；只有未安装插件（无 ocr 服务）时才会回退把图片 base64 直传给 API；
• 注意：识别出的文本较长时（快速通道上限 8000 字符、深度通道 16000 字符）会被截断，超大图片建议裁剪后再发。