kanchengw/dsh-mindseye

MindsEye

面向 DeepSeek Harness 的意图驱动视觉、生图和可视浏览器自动化插件。

English | 中文

MindsEye 是 DeepSeek Harness 的插件，为纯文本模型提供图片理解、图片生成和可选的浏览器自动化能力，同时保留 DSH 会话作为主要用户交互界面。

核心能力

图片理解

• 保留 DSH 原生图片附件，不要求用户手动选择本地文件。
• 图片轮自动挂载视觉工具；纯文本轮只保留一个激活入口，需要看图时再挂载。
• mindseye_read_image 支持通用视觉问答，以及 OCR、布局、图表、颜色和像素差异等专项任务。
• mindseye_ground 返回目标在原图中的像素边界框，可用于点击、裁剪等后续操作。
• 支持单图和多图读取，并返回图片、证据、答案和调用元数据等结构化结果。

图片生成与编辑

• mindseye_generate_image 将用户的生图要求发送到已配置的生图路由。
• mindseye_edit_image 将 DSH 图片附件和编辑要求发送到已配置的图像编辑路由。
• 生成图片以 DSH 原生附件形式返回，并直接显示在会话中。
• 生图不会自动保存到项目，也不会自动执行回验。

浏览器自动化

启用 gui.enabled 后，MindsEye 会打开独立的可见 Chrome 或 Edge 浏览器会话。GUI 工具支持打开页面、截图、等待、点击、输入、按键、滚动和关闭会话。

遇到验证码、登录或权限确认时，任务会暂停在 DSH 原生提问卡片上。用户可以：

• 接管可见浏览器并完成操作；
• 如果验证可能已经完成，跳过第一页交接问题；
• 放弃当前任务。

用户选择继续后，MindsEye 会重新检查页面状态，确认恢复后再把控制权交还给模型。浏览器使用独立会话，不接管用户已有的 Chrome 或 Edge profile。每次浏览器动作后都必须重新截图，避免继续使用已经失效的元素引用或坐标。

工具

记忆工具是可选的，提供显式的 DSH 操作，用于存储、读取、搜索和比较图片相关记录。

配置

可以通过 DSH 设置卡或插件配置管理 MindsEye。

• vision.routes：分别配置 understand、extract 和 locate 路由。
• vision.fallbacks：视觉调用的备用路由。
• image.generate：有序的图片生成路由。
• image.edit：有序的图片编辑路由。
• gui.enabled：启用可见浏览器工具，默认关闭。
• gui.browser：auto、chrome 或 edge。
• gui.restrictHosts：设为 true 时启用主机白名单。
• gui.allowedHosts：启用白名单后允许访问的主机。
• gui.maxSteps 与 gui.timeoutMs：单次浏览器运行的步数和超时限制。

视觉路由支持 OpenAI-compatible Chat Completions 或 Responses API。图片路由支持 JSON 和 multipart 请求体，可以独立配置不同的图片服务商。

数据与安全

• 支持图片的模型继续接收 DSH 原生图片块；纯文本降级路径只使用当前粘贴操作创建的隔离临时文件。
• 只有 MindsEye 工具实际调用视觉服务商时，图片字节和问题内容才会发送给对应服务商。
• 凭据来自 DSH Credentials、环境变量或插件设置，并只发送给匹配的服务商。
• 只有明确启用浏览器自动化时，插件才会启动本地 Chrome 或 Edge 子进程；它不使用用户现有浏览器 profile，也不执行下载后的代码。
• 浏览器访问可以限制为明确配置的主机白名单。

安装

npm install dsh-mindseye
npx @deepseek-ai/dsh plugin --profile web add dsh-mindseye

安装后重启 DSH Web，然后在 MindsEye 设置卡中至少配置一条视觉路由。未配置的专项视觉路由在有可用通用理解路由时会自动回退。

开发

pnpm install
pnpm test
pnpm typecheck
pnpm build