👁️ dsh-vision 给 DeepSeek Harness 的纯文本 DeepSeek 一双眼睛——默认走豆包 Web，零成本、免 API key。 English | 简体中文
这是什么动物？它在做什么？请用中文回答。 输出（豆包 Web 通道——默认）： > 这是一只橘猫（家猫），它四仰八叉仰躺在床上睡觉，肚皮露在外面，四肢舒展，睡得十分放松惬意。猫咪把肚子露出来，说明它对周围环境很有安全感。 输出（反重力通道 · flash 档）： > 这是一只橘猫（橘色虎斑家猫）。它正仰面熟睡/惬意放松：四脚朝天、露出圆滚滚毛茸茸的肚子，正舒适地躺在深色床垫/毯子上睡觉。 你粘贴图片 + 提问 → dsh-vision 把图片转成占位符，DeepSeek（大脑）看到 → DeepSeek 调用 vision 工具 → 豆包 Web（默认）/ 其他通道识图 → 文字证据回填 → DeepSeek 继续回答 ## 🚀 快速开始 ### 方式零：豆包 Web（默认，零成本） 1. 装插件： sh dsh plugin --profile web add dsh-vision-web 2. 启动 Windows 桥接（驱动你已登录的 Chrome）： sh # 在 Windows 侧：连接一个开了调试端口的 Chrome，然后运行 node bridge.mjs # 详见下方「豆包桥接」章节 3. 在那个 Chrome 里登录一次 doubao.com。 4. 重启 dsh web，粘贴图片——搞定。全程不需要任何 API key。 ### 方式一：反重力额度（如果你用 Antigravity） 配置好工作区后，插件自动优先走反重力（按模型名选 flash/pro 档）： yaml - insert: - id: vision name: dsh-vision config: antigravityWorkspace: /path/to/workspace antigravityProjectId: your-project-id antigravityLsExe: /path/to/language_server.exe antigravityWindowsHome: /mnt/c/Users/you antigravityBrainDir: /mnt/c/Users/you/.gemini/antigravity/brain 端口/CSRF 每次调用自动发现，IDE 重启也不用改配置。 ### 方式二：Gemini API（降级通道） yaml config: genlangKey: AIza... # https://aistudio.google.com/apikey ### 方式三：任意 IDE CLI（Claude Code / Gemini CLI / Qwen Code / MiMo…） 如果你有编程软件的会员，用它的本地 CLI 来识图（配置驱动，无需改代码）： yaml config: ideCli: enabled: true exe: claude # 或 gemini / qwen / 任意 CLI argsTemplate: "-p {prompt}" # {prompt} 替换为提问 + 图片引用 imageRefTemplate: "{path}" # Gemini CLI 用 "@{path}" timeoutMs: 120000 通道把提问 + 图片文件路径传给 CLI，stdout 即回复——Claude Code、Gemini CLI、Qwen Code、MiMo 等都用同一套配置接入。 ### 使用 1. 面板：会话头部点「识图」→ 添加/粘贴图片 → 提示词 → 模式/档位/通道 → 识别。 2. 对话流：模型选择器选 deepseek-vision 路由，粘贴图片发送——模型自动调用识图。 ## 🌉 豆包桥接（零成本通道怎么跑） 豆包 Web 通道自动化的是你已登录的浏览器，而不是调 API： DSH 插件 (WSL) ──submit──▶ 队列服务 (127.0.0.1:9340) ▲ 轮询 Windows 桥接 (node + puppeteer-core) ──┘ │ CDP 连接 Chrome（调试端口） ▼ 豆包侧边栏：上传图片 → 输入提问 → 回车 → 等回复 │ ▼ 回复文本 → POST /result → DSH 插件 - 一次登录：在桥接用的 Chrome profile 里登录一次豆包，之后一直复用。 - Windows→WSL localhost 转发承载队列通信，无需改防火墙。 - 桥接以 bridge.mjs 随仓库分发——在 DSH 旁边跑一次（node bridge.mjs），永久轮询。 - WSL 无法直连 Windows 端口，所以队列放在 WSL 侧、桥接从 Windows 侧主动轮询。 ## 🧠 识图引擎——复杂识图到底怎么工作 天真的"看图→描述"循环在密集截图、表格、UI 原型和多图对比面前会崩。dsh-vision 把识图做成了结构化、自动升级、带记忆的流水线： ### 1. 档位自动升级——它知道一遍不够 detail: auto 走两遍策略： 第一遍（standard + 预判）──▶ complexity == "simple" ──▶ 完成 └─▶ complexity == "complex" ──▶ 第二遍（deep）──▶ escalated 结果 视觉模型自己判断复杂度。以下情况都判为 complex 并自动触发深度检查： - 多主体关系 · 密集小字 · OCR 密集内容 - 表格 / 图表 / 代码 / 界面 · 计数 · 对比 / 找差异 - 专业画面 · 多步空间推理 ### 2. 四种任务模式，一个工具 | 模式 | 干什么 | 典型场景 | |---|---|---| | glance | 通用理解，围绕你的问题选证据 | 日常提问 | | ocr | 按自然阅读顺序转录文字，保留标题/段落/表格/界面层级 | 截图、文档、报错 | | region | 聚焦一个区域——归一化坐标 0.1,0.2,0.8,0.9 或自然语言（"右上角"） | UI bug、图表细节 | | compare | 逐项列出 ≥2 张图的异同与置信度 | 前后对比、版本对比、A/B | ### 3. 结构化证据，不是流水账 每次识图都要求输出严格 JSON 证据对象： json { "complexity": "simple|complex", "base_evidence": { "summary": "中性概述", "ocr": "可见文字（没有则为空）", "layout": ["布局观察"], "entities": ["实体"], "relations": ["关系"], "uncertainty": ["明确的不确定项"] }, "query_answer": "直接回答用户" } 观察与推断分离、不确定性显式写出（绝不脑补）、每项列表限长——上下文保持紧凑。 ### 4. 长上下文视觉记忆——模型永远不会"忘"它看过什么 - 每次结果作为持久化 <dsh-vision-evidence> 记录写入会话时间线。 - 跨轮复用：同一张图 + 同一个问题命中已有记录——识别一次，永远记住。 - 视觉记忆清单：每次请求流自动附带近期证据目录，模型可以主动追问——放大区域、重新 OCR、跟新截图对比——你什么都不用重新粘贴。 - compaction 恢复：长会话压缩后，近期视觉记录自动恢复。 ### 5. 内容哈希缓存——同样的像素绝不付两次钱 缓存键 = SHA-256(图片字节) + prompt + detail + mode + region + model + channel + prompt版本，进程内 LRU。 ## ⚙️ 完整配置 | Key | 默认 | 说明 | |---|---|---| | defaultChannel | auto | auto（配置了反重力则优先反重力，否则豆包 Web）/ web / antigravity / genlang / cockpit / aicode | | defaultModel | gemini-3.7-flash | 面板默认模型（名字含 pro → 反重力 pro 档） | | webChannel.enabled | true | 豆包 Web 通道开关 | | webChannel.queuePort | 9340 | WSL 队列端口 | | webChannel.timeoutMs | 240000 | 网页回复等待超时 | | antigravityWorkspace | "" | 反重力工作区（WSL 路径） | | antigravityProjectId | "" | 反重力项目 id | | antigravityLsExe | "" | language_server.exe 路径 | | antigravityWindowsHome | "" | Windows 主目录（项目文件用） | | antigravityBrainDir | "" | Brain transcript 目录 | | genlangKey | "" | Gemini API key（AIza… / AQ.） | | cockpitBaseUrl / cockpitKey | http://127.0.0.1:65386 / "" | Cockpit 反代 | | oauthAccount / oauthClientId / oauthClientSecret | "" | aicode 直连（自带凭据，不内置） | | visionUpstreams | ["deepseek"] | 对话流包装的上游 LLM | | cacheMax | 64 | 内存 LRU 缓存条数 | | allowedImageDirs | [] | 非空时仅允许 image_path 读取这些目录 | | curlPath | /mnt/c/Windows/System32/curl.exe | WSL 降级用 Windows curl | ## 🔧 Troubleshooting | 症状 | 原因 & 解决 | |---|---| | Web 通道超时 | 桥接没跑（node bridge.mjs）或 Chrome 没登录豆包——两个都查 | | 桥接报 fetch failed | 队列服务没起（DSH 插件启动它；确认插件已加载） | | 反重力报「找不到 language_server.exe」 | Antigravity IDE 没运行——启动并登录 | | Gemini 503 high demand | Gemini 过载；重试或换模型 | | WSL 连不上 API | 配 curlPath（Windows curl）——API 通道自动降级用它 | ## 🔒 隐私 - 豆包 Web：图片发给你自己登录的豆包会话——和手动用网页一样。 - API key：只存本地配置；错误信息自动脱敏，绝不写日志。 - OAuth 凭据：不内置——aicode 通道要求用户自带，存本地配置。 ## 🏗️ 架构 src/ ├── index.ts # 服务端：适配器、vision 工具、/api/vision、compaction 恢复 ├── vision-core.ts # 提示词构建、响应归一、证据记录、流修复 ├── web-channels.ts # 豆包 Web 队列服务（WSL 侧） └── client/ └── plugin.tsx # 客户端面板（多图/粘贴/模式/档位/通道） bridge.mjs # Windows 桥接：轮询队列，CDP 驱动豆包 ## 🛠️ 开发 bash git clone https://github.com/54xkeee/dsh-vision cd dsh-vision npm install npm run build # esbuild → lib/index.js + lib/client.js npm test # node --test ## 📄 License MIT ## 🙏 Credits - vision-toolkit 架构（占位符 + vision 工具 + 包装适配器 + 证据记忆）与 dsh-youreyes 共享 - 通道与错误处理约定参考 dsh-vision-proxy 等社区插件