dsh-image-vision 给纯文本的 DeepSeek 加上眼睛：聊天里传图 + 识图，一个插件搞定。 - view_image 工具：模型带着问题调用它（OCR、数数、读图表、看 UI 布局……任意视觉问题），插件把图片和问题转发给任意 OpenAI 兼容的 VLM 端点（本地 Ollama / 智谱 / DashScope / 豆包……），答案以文本返回。 - 图片附件桥：在聊天对话框拖拽或粘贴图片即可发送——dsh web 输入框原生接收图片附件，本插件在模型请求前把附件改写为 [用户上传的图片：<路径>] 标记，并引导模型调用 view_image 查看，纯文本模型因此"看见"你上传的图。 用户: （拖一张截图进对话框）帮我看看这个报错 模型 → view_image(source="…vision-bridge/xxx.png", question="这个报错的完整文本是什么？") ← "TypeError: Cannot read properties of undefined (reading 'map') at …" 模型: 这是一个 … 建议 … ## 安装 sh dsh plugin --profile web add dsh-image-vision 或经 dsh-market 插件市场安装。 > 注意：host 在消息提交时会校验当前模型的 inputModalities 声明。纯文本模型（如 deepseek-v4-flash 经网关路由）需要在 profile 的 settings.yaml 里把该模型声明为支持图片输入，否则带图消息在提交时就被拒绝： yaml llm-pi-ai: providers: opencode-go: apiKeyEnv: OPENCODE_GO_API_KEY modelOverrides: deepseek-v4-flash: input: ['text', 'image'] （网关模型目录里本就直接声明 image 能力的模型无需此步。） ## 后端选择 一套配置（baseURL + apiKey + model）覆盖所有后端： | 场景 | baseURL | model | 说明 | | --- | --- | --- | --- | | 默认（免费） | https://open.bigmodel.cn/api/paas/v4 | glm-4.6v-flash | 智谱免费视觉模型，零成本开箱；高峰限流自动降级 | | 本地 Ollama | http://localhost:11434/v1 | qwen3-vl:4b | 离线、无 key；小模型对穷举任务较慢，建议 maxTokens: 4096 + timeoutMs: 300000 | | DashScope | https://dashscope.aliyuncs.com/compatible-mode/v1 | qwen3-vl-flash | 百炼 VL 线，高精度 OCR | | 火山豆包 | https://ark.cn-beijing.volces.com/api/v3 | doubao-seed-2-1-turbo-260628 | Ark 模型 ID 带日期后缀 | API key 读取顺序：插件配置 apiKey → $VISION_API_KEY → $DSH_VISION_API_KEY（仅 export）→ $ZHIPUAI_API_KEY → $DASHSCOPE_API_KEY。本地端点（localhost）无需 key。 免费档降级链：默认配置下插件自动依次降级 glm-4.6v-flash → glm-4.1v-thinking-flash → glm-4v-flash（可用 fallbackModels 覆盖）。thinking 系模型的 <think> 推理块会被自动剥离。 ## 配置 yaml dsh-image-vision: baseURL: http://localhost:11434/v1 apiKey: "" # 留空则读环境变量；本地端点无需 key model: qwen3-vl:4b maxTokens: 4096 # 推理型模型建议 ≥2048 timeoutMs: 300000 # 本地冷加载与穷举 OCR 需 1-4 分钟 maxImageBytes: 10485760 ## 工作原理 1. 传图：对话框拖拽/粘贴 → dsh 附件服务持久化（~/.dsh/attachments/v1/）→ 消息带 image 块。 2. 桥接：llm/stream 瀑布最前拦截 → 图片导出为 ~/.dsh/vision-bridge/<sha256>.<ext> → 替换为 [用户上传的图片：<路径>] 文本标记 → 递归重入（无图时直通，不循环）。纯文本适配器不再报 UNSUPPORTED_CONTENT。 3. 识图：模型看到标记 → 调用 view_image → VLM 返回文本描述 → 模型基于描述回答。 ## License BSD-3-Clause。view_image 转发逻辑移植自 dsh-vision（BSD-3-Clause）。