dsh-vision-proxy

dsh-vision-proxy

English | 简体中文

保持 DeepSeek 作为对话大脑，图片照样直接发。 为 DeepSeek Harness 打造：GUI 附加图片自动转译，纯文本 DeepSeek 也能识图。

⚠️ 兼容性与定位（2026-08）：本插件已适配 dsh 0.1.1-rc.2（adapter prepareCall 接口）。dsh 0.1.1 起原生支持多模态（DeepSeek-V4-Flash-Vision-Exp 等官方视觉模型）——如果你用官方视觉模型，直接发图即可，不需要本插件。DeepSeek-V4-Pro / 普通 Flash 仍是纯文本模型，识图靠本插件转译桥接（官方仅 Flash-Vision-Exp 原生多模态）。插件适用于：Pro/文本模型识图、本地 Ollama（图片不出本机、免费）、自定义 OpenAI 兼容 VLM 场景。

为什么需要它

DeepSeek Harness 原生按模型声明的 inputModalities 决定是否放行图片附件。DeepSeek 的 chat-completions 线路是纯文本的，所以选中 DeepSeek 时附加图片会被原生拒绝。已有的视觉插件提供 view_image 等工具（适用于文件路径），但 GUI 图片附件对纯文本模型依然失败。

本插件补上这个缺口：注册一条新提供商路由（deepseek-vision），包装真正的 DeepSeek 适配器——对外声明支持图片输入（附件预检放行），并在请求流里把每张附加图片转译成文字后再委托给 DeepSeek。对话仍然由 DeepSeek 作答，识图只是附加能力。

用户附加图片 ──▶ deepseek-vision 路由 ──▶ 经 VLM 转译（OCR+版式+细节）
                   │                        │
                   ▼                        ▼
            DeepSeek 作答 ◀── 纯文本对话（图片已替换为 [图片转译] 文字）

特性

• 绝不卡死。匿名端点强制 20 秒超时上限（免费档挂起也拖不住整轮对话）；匿名端点遇到 HTTP 429 立即失败（不做无意义的 Retry-After 等待）；刚失败（429/超时）的端点进入 60 秒冷却并被跳过。
• 多模型、多厂商。任何 OpenAI 兼容 VLM 端点都行——百炼/Qwen、QwenCloud 国际站、智谱、OpenRouter、本地 Ollama、或你自己的端点。每条 fallbackModels 都可以带各自独立的 baseURL/model，一个安装即可串联多家。
• 零配置本地路径。autoLocalOllama（默认开）启动时探测 http://localhost:11434，检测到 Ollama 就自动加入降级链——图片不出本机，免 key 免注册。
• 快速且明确的失败。没有 key 也没有本地 Ollama 时，转译在几秒内失败并给出可操作指引（配置 VISION_API_KEY / DASHSCOPE_API_KEY 或安装 Ollama）——绝不静默卡住。
• 有 key 自动提速。导出 VISION_API_KEY / DASHSCOPE_API_KEY 后自动走你配置的付费端点（默认百炼 qwen3.7-flash——快、便宜、不限速；百炼/QwenCloud/智谱/OpenRouter 或任意 OpenAI 兼容端点均可）；没有 key 的条目会被跳过而不是失败。
• 安装时一问式确认。postinstall 询问你是否有 VLM API key。非交互环境自动跳过，安装永不卡死。启动时打印 PRIVACY NOTICE 标明当前使用的端点。
• 降级链 + 错误分类。rate_limit / quota / auth / region / model_not_found / context_too_large / http 分类给出可操作提示。
• 内容哈希缓存。转译结果按图片字节的 SHA-256 缓存（进程内，上限 200）——同一张图每个进程最多转译一次，重新附加或换对话也命中。
• 自动降采样（可选）。装有 sharp 时，超过 maxImagePixels 的图片转译前自动缩小——大截图更快；没有 sharp 则优雅降级原图直发。
• 兼容 read_image。原生 read_image 工具在该路由下同样可用（它的能力门禁读取同一份模型信息）。

支持的模型与厂商

一套配置（baseURL + model，可选 apiKey）覆盖所有后端：

场景	baseURL	model	说明
百炼（国内）——默认主模型	https://dashscope.aliyuncs.com/compatible-mode/v1	qwen3.7-flash / qwen3-vl-flash	便宜、快、不限速。密钥：千问平台 sk-ws-… 或百炼 sk-…
本地 Ollama（自动探测）	http://localhost:11434/v1	第一个视觉模型	装了就零配置可用；图片不出本机
QwenCloud（国际）	https://dashscope-intl.aliyuncs.com/compatible-mode/v1	qwen3-vl-plus 等	国际版
智谱（免费档）	https://open.bigmodel.cn/api/paas/v4	glm-4.6v-flash	免费档仍需注册智谱（免费）key
任意 OpenAI 兼容端点	你的端点	你的模型	OpenRouter、火山 Ark、vLLM、各类网关……插件只讲 /chat/completions

⚠️ 不再内置任何第三方匿名免费端点作为默认兜底。实测中匿名免费端点（如 OVHcloud AI Endpoints）限速极严且会无响应挂起——作为默认只会复现"卡死"体验。如果你仍想用某个匿名端点，请通过 fallbackModels 自行添加并设 anonymous: true（20 秒超时上限依然生效）。

价格参考（人民币，百炼国内站 2026-08 参考价）

模型	输入	输出	一张 1080p 截图（≈2000 token）
qwen3-vl-flash	¥0.15/百万 token	¥1.5/百万 token	≈ ¥0.0005（约 0.05 分钱）
qwen3.7-flash	¥0.2/百万 token	¥0.8/百万 token	≈ ¥0.001（约 0.1 分钱）
deepseek-v4-flash-vision-exp（官方，默认）	¥3/百万（高峰）· ¥1.5（空闲）	¥9/百万（高峰）· ¥4.5（空闲）	≈ ¥0.01（高峰）/ ¥0.005（空闲）
本地 Ollama	免费	免费	¥0（图片不出本机）

温馨提示：识图默认走官方 deepseek-v4-flash-vision-exp（高峰 9:00-12:00 / 14:00-18:00 为全价，其余时间半价；图片按尺寸折算 token，不按张计费）。与 V4-Pro 同档价约 1/3。

图片按 token 折算（各平台把图片按分辨率折算成 token，一张 1080p 截图 ≈ 2000 token）。按上面价格，一张图不到 1 厘钱；即使重度使用（每天 100 张）每月也就几块钱，基本可以忽略。本地 Ollama 完全免费。以百炼控制台实时标价为准。

key 读取顺序：配置 apiKey → $VISION_API_KEY → $DASHSCOPE_API_KEY。匿名端点（anonymous: true）和本地主机无需 key；无 key 的非匿名条目自动跳过。

快速开始

dsh plugin --profile web add dsh-vision-proxy

安装时会问你一个问题——你有 VLM API key 吗？ 回答 y 走付费快速通道，回答 N（默认）走本地/零配置路径。重启 dsh web，在模型选择器里选 DeepSeek + 自动识图，然后把图片粘贴进任意对话——完事。

pnpm ≥ 10 默认拦截依赖构建脚本——首次安装会以非零码退出并提示 Ignored build scripts: dsh-vision-proxy, sharp。请批准两者（插件的安装确认提示 + sharp 的可选二进制），然后重跑一次安装完成 bundle 注册：

# 写在 profile 的 pnpm-workspace.yaml 里
allowBuilds:
  dsh-vision-proxy: true
  sharp: true

dsh plugin --profile web add dsh-vision-proxy   # 批准后重跑

npm 官方源太慢？ dsh plugin --profile web add dsh-vision-proxy --registry=https://registry.npmmirror.com（参数会转发给 pnpm）。

现场演示：真实对话中的识图

一段 deepseek-vision 路由上的真实对话（DeepSeek-V4-Flash 作为大脑）：用户粘贴了一张表情包并问 "你看到了什么"，图片被 VLM 自动转译，DeepSeek 基于文字完整作答——单步，约 7.6 秒。

左图：模型选择器显示 deepseek-vision 路由（DeepSeek + 自动识图）已选中——这正是图片附件得以放行的原因。右图：DeepSeek 基于转译文字给出的完整回答。

用户粘贴表情包 + "你看到了什么"
  → 图片块经 VLM 自动转译（OCR + 版式）：
      "我是吃白饭的 / 蓝色大肥鱼！ (理直气壮.jpg) — Q版蓝发女仆装少女，
       身后蓝鲸尾巴，端碗举筷，表情兴奋"
  → DeepSeek 基于文字对表情包做完整视觉分析

两条自主路径都覆盖：view_image 工具（任意路由，支持文件路径与 URL）和图片块自动转译（deepseek-vision 路由——对话中途附加的图片）。

配置

bundle 已自带合理的默认配置（见上方策略说明），一般无需改动。要覆盖时，请在 profile 中写 id 定向覆盖，不要用 insert（见下方警告）：

# $DSH_HOME/profiles/web/cordis.patch.yml —— 用户层覆盖示例
- id: dsh-vision-proxy
  name: 'dsh-vision-proxy'
  config:
    baseURL: https://dashscope.aliyuncs.com/compatible-mode/v1
    apiKey: 'sk-…'          # 或留空读环境变量（Windows 下直写这里最可靠）
    model: qwen3.7-flash
    maxTokens: 4096
    timeoutMs: 120000       # 匿名端点无论如何都会被强制 20s 上限
    maxImagePixels: 4000000
    marker: '[图片转译]'
    autoLocalOllama: true
    fallbackModels: []      # 可自行添加 {model, baseURL, apiKey?, anonymous?, timeoutMs?}

⚠️ 不要写成 - insert: [{id: dsh-vision-proxy, …}]。 dsh 的 patch 语义里 insert 是往条目列表追加——bundle 自带的条目和你写的同 id 条目会同时存在并被实例化，deepseek-vision adapter 会被注册两次（行为未定义）。顶层 - id: 条目才会命中既有行并整体替换其 config；未列出的键回落到插件 zod schema 的 .default() 值（如 maxTokens=4096、timeoutMs=120000、autoLocalOllama=true），所以只写 apiKey/model 也能工作。

键	默认值	含义
providerId	deepseek-vision	模型选择器中显示的路由 id
innerProvider	deepseek-official	被包装的现有适配器路由
baseURL	DashScope 兼容模式	OpenAI 兼容 VLM 端点（任意厂商，含 Ollama）
apiKey	''	VLM 密钥；回退读取 $VISION_API_KEY，再回退 $DASHSCOPE_API_KEY。Windows 下环境变量变更可能不生效，直写这里最可靠
anonymous	false	跳过 Authorization 头（用于免注册端点；受 20s 超时上限约束）
model	qwen3.7-flash	视觉模型 id（如 Qwen2.5-VL-72B-Instruct、qwen3-vl-flash、glm-4.6v-flash、qwen3-vl:4b）
maxTokens	4096	VLM 输出上限（思考型模型先耗推理 token，预算给足）
timeoutMs	120000	VLM 请求超时（匿名端点无论如何都被强制 20s 上限）
maxImagePixels	4000000	超过该像素数的图片转译前自动降采样（装有 sharp 时；0 关闭）
marker	[图片转译]	每条转译文本前加的前缀标记
failureMode	placeholder	全部 VLM 失败时的行为：placeholder（默认）插入 [图片转译失败: 原因] 文本并继续对话——死端点不会毒化会话；error 则整轮失败（旧行为）
autoLocalOllama	true	启动时探测 http://localhost:11434；检测到则前置进降级链
localOllamaModel	''	指定 Ollama 模型 id；留空自动选本地 Ollama 报告的第一个视觉模型
fallbackModels	[]	降级链：{model, baseURL?, apiKey?, anonymous?, timeoutMs?}，每条可指向不同厂商；无 key 的非匿名条目自动跳过

Windows 上关于 API key 的说明：dsh --profile <name> --dump-config 会原样打印组合后的配置（写在 cordis.patch.yml 里的 key 会出现在明文输出中），但另一方面，进程启动后设置的环境变量（explorer.exe 会缓存旧环境）可能永远到不了正在运行的 dsh。如果你明明导出了 key 却看到 skipped — no API key，请把 apiKey 直接写进插件配置——这是 Windows 上唯一可靠的方式。（注意：dsh rc.6 不加载 .env 文件，那不是替代方案。）

安装后验证

dsh --profile web --dump-config | grep -A3 dsh-vision-proxy   # 应恰好一个条目（注意：会明文打印配置，含 key）

• 重启 dsh web → 模型选择器出现 DeepSeek + 自动识图。
• 向对话粘贴图片 → 应看到 [图片转译] 标记后 DeepSeek 作答。
• 没有 key 也没有本地 Ollama 时，回合应在数秒内快速失败并给出指引消息——这就是预期的防卡死行为。

行为说明

• 只有含图片块的消息才会被处理；纯文本对话零开销直达 DeepSeek。
• 匿名端点：20 秒硬超时上限、HTTP 429 立即失败（不重试）、失败后触发 60 秒端点冷却——连发图片不会反复踩坏端点。
• 网络层失败（fetch failed / 连接被拒等）同样进入 60 秒冷却，死端点不会每轮重试。
• 会话永不中毒（failureMode: placeholder，默认）：某张图全部 VLM 失败时插入 [图片转译失败: 原因] 占位文本并继续对话；失败的图片按内容哈希记忆 60 秒，期间不再发起网络请求。历史里有过图片的会话，即使 VLM 挂掉也能继续纯文字对话。
• 全部链路条目都失败才报错（failureMode: error 时），错误会列出每一次尝试并附可操作指引。
• 转译结果按图片内容哈希进程内缓存（永不落盘）。
• 启动时打印一行摘要——路由 id、被包装的提供商、VLM 模型、端点、超时、maxTokens、failureMode、key 来源与降级列表（key 本身从不打印），外加 PRIVACY NOTICE 和 Ollama 探测结果。
• 测试：16 个单测，GitHub Actions 在 Node 22/24 上运行（含防卡死快速失败、冷却跳过、网络失败冷却、占位模式保活用例）。
• 转译质量：密集 UI 截图可能丢失小字细节——这是视觉模型的能力上限，不是插件 bug。OCR 重度场景建议换更强模型（如 qwen3-vl-plus）或调大 maxTokens。

排障

现象	原因与解决
明明导出了 VISION_API_KEY 仍报 skipped — no API key	Windows 在 explorer.exe 里缓存环境变量，运行中的 dsh 读不到新值。把 apiKey 直写进插件配置，重启 dsh
安装时报 Ignored build scripts: dsh-vision-proxy, sharp	pnpm ≥ 10 默认拦截依赖构建脚本。在 profile 的 pnpm-workspace.yaml 加 allowBuilds: {dsh-vision-proxy: true, sharp: true}，然后重跑安装
发布当天安装报 ERR_PNPM_MINIMUM_RELEASE_AGE_VIOLATION	pnpm 11 默认 minimumReleaseAge 为 1 天（供应链策略）。在 profile 的 pnpm-workspace.yaml 加 minimumReleaseAge: 0，或给 dsh plugin add 加 --config.minimum-release-age=0，然后重跑
匿名端点报 all N vision model(s) failed … rate_limit	匿名免费档限速极严且可能挂起。配置 key 或改用本地 Ollama
新装无 key 时约 20 秒后失败	没有 key 也没有本地 Ollama——这是预期的快速失败路径。安装 Ollama 或配置 key
npm 官方源下载慢	使用 --registry=https://registry.npmmirror.com（参数转发给 pnpm）

隐私

转译会把图片字节（base64，HTTPS）发送到配置的 VLM 端点——图片数据会离开你的机器，除非 baseURL 指向本地服务（如 Ollama）。除 harness 自身的附件存储外不持久化任何东西。敏感图片请使用自己的端点或本地模型——或者不安装本插件。

实现原理（给插件开发者）

本插件只使用 rc.6 上稳定的公共接口：

• ctx.llm.registration(innerProvider).adapter —— 拿到被包装的适配器；
• ctx.llm.registerAdapter([providerId], proxyAdapter) —— 注册新路由（无 DUPLICATE_ADAPTER 冲突）；
• 代理 resolveModel 把 inputModalities 覆盖为 ['text', 'image'] —— 满足附件预检（api-proxy）与 read_image 门禁（dsh-tool-fs）；
• 代理 stream 转译图片块（结构 { type: 'image', attachment }，字节经 ctx.get('attachments').readImage(ref) 获取），再 yield* 原样转发内部适配器的流。

许可证

MIT