1HelloMan1/dsh-vision-fallback

dsh-vision-fallback

English | 中文

为 DeepSeek Harness (dsh) 提供全局静默视觉增强：你继续在会话顶部直接选择真实主模型（如 deepseek-v4-flash），聊天框里拖入、粘贴、引用的图片会自动交给固定视觉模型，转成事实性文字观察后作为隐藏上下文交给主模型。界面始终显示你的原始图片——不新增"视觉回退"模型分组、不切换模型、不调用额外工具。

兼容当前 DSH STORE 版本窗口：0.1.2-alpha.3、0.1.2-alpha.4、0.1.2-alpha.5。MCP / ACP 的持久图片附件，以及 PTC Mode 转发的嵌套图片，都会沿用同一套视觉桥处理。插件启用时会保留图片能力声明；否则聊天框会在图片到达视觉桥之前直接提示“模型不支持图片输入”。

为什么需要

• DeepSeek V4 Flash/Pro 等强编码模型是纯文本的：聊天框发图会直接报"模型不支持图片输入"。
• 已有的"视觉工具"类插件需要你把图存成文件再调 see_image(path)——笨重，而且主模型依然收不到聊天框附件。
• 本插件在请求层架桥：聊天框发图就像原生支持一样，无论你在模型选择器里选哪个主模型。

工作方式

拖图/粘贴 ──► 聊天附件（UI 始终显示原图）
        │
        ▼
agent/pre-step ──► 图片 + 当前问题 + 最近上下文
        │                    │
        │                    ▼
        │          固定视觉模型（OpenAI 兼容 /chat/completions）
        │                    │  事实性文字观察
        │                    ▼
        └──► model-only surface replacement ──► 主模型（纯文本）

1. 插件覆盖发送前的图片能力检查，让文本主模型也能接收带图消息。
2. agent/pre-step 检测本轮图片，把图片、最新用户问题和最近对话上下文发给配置的视觉模型。
3. 你的原始图片作为正常聊天附件保留在界面。
4. 仅模型可见的 surface replacement 把图片换成视觉观察后再交给主模型。
5. 切换主模型（DeepSeek、Kimi、MiniMax……）不会改变固定视觉模型。

MCP / ACP / PTC 图片

DSH 0.1.0-rc.7 会把 MCP、ACP 和 PTC 产生的图片保存为持久附件，再以核心 image 内容块交给后续链路。本插件会递归处理普通消息、tool-result 和多层嵌套 tool-result 中的图片，并保持图片与文字的原始顺序：

• MCP / ACP 持久附件：按 attachmentId 读取，不依赖临时文件路径；
• PTC 嵌套图片：子调用返回的图片也会转换为视觉观察；
• 多张图片：逐张调用视觉模型，观察结果对应原始出现顺序；
• 原始界面：只替换模型视图，聊天界面仍保留原图。

插件的图片能力声明是必要的入口兼容层。它不是说主模型真的具备视觉推理能力，而是允许图片先进入 DSH，再由视觉桥转成主模型可用的文字上下文。

DSH 兼容性证据

2026-09-03 使用 Node.js 24.16.0 验证，每个版本均使用独立的一次性 DSH_HOME：

Profile 操作使用官方 CLI：plugin --profile web add -w <local-path> 和 remove -w dsh-vision-fallback。新版 DSH 会深冻结 llm/stream 请求，插件不再原地修改它；上下文压缩会复制请求并执行一次带重入保护的嵌套分发。

安装

npm / 本地检出

# npm 发布后（或本地检出目录）
dsh plugin --profile web add dsh-vision-fallback
# 或：dsh plugin --profile web add /path/to/dsh-vision-fallback

从源码

git clone https://github.com/1HelloMan1/dsh-vision-fallback.git
cd dsh-vision-fallback
pnpm install --config.minimumReleaseAge=0   # 预发布 peer 依赖可能需绕过发布年龄策略
pnpm test                                    # node --test test/*.test.mjs
dsh plugin --profile web add "$PWD"

然后验证并重启：

dsh --profile web --dump-config   # 应出现 "# == dsh-vision-fallback" 层
# 重启 `dsh web`（patch/bundle 层不支持热加载）

插件注册在 host 平面，headless / TUI 等其他 profile 同样兼容。

配置

两种方式都实时生效（保存后无需重启）：

Web 设置页

打开 DSH Web 设置 → 视觉增强，只暴露这些项：

settings.yaml

vision-fallback:
  enabled: true
  model: mimo-v2.5
  baseURL: https://opencode.ai/zen/go/v1
  apiKeyRef: OPENCODE_GO_API_KEY
  maxTokens: 1536
  timeoutMs: 60000
  maxBytes: 15728640
  includeRecentContext: true
  contextMessages: 6
  contextMaxChars: 6000
  prompt: "请分析这张图片..."
  tagResult: true

API key 通过 DSH 凭证系统（~/.dsh/.credentials.yaml）解析，process.env[apiKeyRef] 作为兜底——插件不会把 key 写入 shell 环境文件。

安全与隐私

• 配置路由仅限本机回环 + 同源校验，请求体限大小并做 schema 校验。
• 视觉模型没有工具权限、没有 system prompt、没有执行权限——只拿到图片、问题和最近文字上下文。
• 观察结果以 model-only surface replacement 交付，界面中的原始图片永不被改写。
• 图片读取走 DSH 附件服务（遵守沙箱与观察策略）；视觉请求携带官方 attributionHeaders()。

用量记录（usage.jsonl）

开启 recordUsage 后，每次真实视觉调用（成功或失败）追加一行 JSON 到 <dshHome>/vision-fallback/usage.jsonl（可在设置页改 usageLogPath），供 usage-dashboard 统计。 字段：

复用已记忆的观察结果（observations.json）不会产生新条目——该文件统计的是真实外部视觉调用次数。

观察缓存语义

观察结果按图片在某次会话中的出现位置（会话 id + 消息 id）记录：

• 同一图片在同一消息位置被重复处理（重启恢复、重放、压缩）→ 直接复用，不重新识别；
• 同一图片在会话的新位置再次出现（新轮次、主模型"再仔细看看"）→ 重新识别，生成贴合当前上下文的新观察；
• 不同会话之间不共享观察结果。

缓存上限 256 条（LRU 淘汰），失败结果不入缓存。

关于图片压缩

当前版本的“压缩”指上下文压缩时复用已经得到的视觉观察，不会重新识图；插件暂时不会对图片文件做缩放、转码或质量压缩。图片超过 maxBytes 时会直接报告失败，不会静默改变原图。后续如增加真正的图片压缩，会单独记录压缩前后字节数和媒体类型。

默认视觉路由

• 模型：mimo-v2.5 · 端点：https://opencode.ai/zen/go/v1/chat/completions · 凭据：OPENCODE_GO_API_KEY

任何 OpenAI 兼容视觉端点都可用（智谱 GLM-4V-Flash、SiliconFlow Qwen-VL、vLLM、Ollama……），在设置页改 model、baseURL、apiKeyRef 即可。

与 OpenCode 方案的关系

OpenCode 社区的 opencode-see-image 把 filePath 和针对当前任务的 question 交给固定视觉模型，再把文字结果返回当前主模型。DSH 比 OpenCode 多了一层发送前的图片能力校验，因此这里同时覆盖该校验，并用 DSH 官方的 agent/pre-step 与 model-only surface replacement 保持界面静默。

开发

pnpm test    # node --test test/*.test.mjs

目录结构：

dsh-vision-fallback/
├── package.json        # dsh.bundle + dsh.client 声明
├── cordis.patch.yml    # 插入 vision-fallback 行
├── lib/index.js        # host 插件（pre-step 桥、配置路由、控制器）
├── lib/client.js       # Web 设置页（"视觉增强"）
└── test/               # 单元测试

许可证

MIT