analyze-image-tool

给纯文本的 DeepSeek Harness 模型加上「眼睛」：注册一个 analyze_image 工具，把图片和问题转发给任意 OpenAI 兼容的视觉/多模态端点，把答案以文本返回。装上之后，即使主模型本身不支持图片输入，所有 dsh 入口（web、TUI、远程通道）也能识图。

Vision bridge for text-only DeepSeek Harness models: registers an analyze_image tool that answers questions about images via any OpenAI-compatible vision/multimodal endpoint. No vendor is hard-coded — bring your own baseURL + apiKey + model.

用户: 看下 ~/Desktop/error.png 是什么报错
模型 → analyze_image(path="~/Desktop/error.png", prompt="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 …

特性

• 通用端点：一套配置（baseURL + apiKey + model）覆盖任意 OpenAI 兼容端点 —— SiliconFlow、DashScope compatible-mode、智谱、OpenRouter、火山、Ollama 本地、OpenAI……代码里零供应商逻辑。
• 沙箱安全读取：本地图片优先走宿主提供的沙箱 fs 通道（ctx.fs.readBytes），遵守会话路径策略；没有该通道的宿主自动回退到 Node 原生读取。也支持 http(s) URL 和 data: URL。
• Schema 安全：工具参数经 defineTool 编译为 object 根（type: "object"）的标准 JSON Schema，规避了社区踩过的「工具 schema 根不是 object 导致整个会话 400 崩溃」的坑（dsh 社区 #297）。
• 健壮性：API key 在报错信息中自动脱敏；思考型模型的 <think> 推理块自动剥离；<think> 独占响应当作「仅推理无答案」处理并给出可操作提示。
• 结构化返回：{ text, model, usage }，附带端点的模型 id 与 token 用量。
• 多插件共存：工具名 analyze_image 与社区的 view_image / see_image / vision_glance 等不冲突，可与 dsh-image-bridge 之类的粘贴桥接补丁搭配使用。

安装

要求：DeepSeek Harness（dsh）0.1.x，Node.js ≥ 18.17。

dsh plugin --profile web add github:CaseyTso/analyze_image_tool#v0.1.0
dsh --profile web

包内 package.json 声明了 dsh.bundle.patch，安装后会自动作为 profile 层生效，无需手工编辑 cordis.patch.yml。

配置

在 profile 的 cordis.patch.yml 里针对插件 id 配置（或在设置界面/环境变量配置）：

- id: analyze-image-tool
  config:
    baseURL: https://api.siliconflow.cn/v1     # 任意 OpenAI 兼容端点
    apiKey: ''                                  # 可留空，走下方解析链
    model: Qwen/Qwen3-VL-32B-Instruct           # 端点上的视觉/多模态模型 id
    maxTokens: 2048
    timeoutMs: 60000                            # 大图/慢端点可调大，如 120000
    maxImageBytes: 10485760

端点示例（都是同一套配置，任选）

场景	baseURL	model 示例	说明
SiliconFlow（默认）	https://api.siliconflow.cn/v1	Qwen/Qwen3-VL-32B-Instruct	需 key，视觉能力强
阿里百炼 DashScope	https://dashscope.aliyuncs.com/compatible-mode/v1	qwen3-vl-flash	兼容模式，性价比高
智谱	https://open.bigmodel.cn/api/paas/v4	glm-4.6v-flash	有免费档
OpenRouter	https://openrouter.ai/api/v1	google/gemini-2.5-flash	多模型聚合
Ollama 本地	http://localhost:11434/v1	qwen3-vl:4b	无需 key，完全离线

API key 解析链（按顺序）

1. 插件配置 apiKey
2. 环境变量 VISION_API_KEY，其次 SILICONFLOW_API_KEY（可写入 ~/.dsh/.env 或导出）
3. dsh 凭据通道（VISION_API_KEY，其次 SILICONFLOW_API_KEY）
4. 本地端点（localhost）无需 key

工具说明

模型面对图片相关任务时调用 analyze_image：

• path（与 attachment_id 二选一）：图片的绝对本地路径、http(s) URL 或 data: URL（支持 PNG/JPEG/WebP/GIF/BMP/TIFF/HEIC，默认上限 10MB）。
• attachment_id（与 path 二选一）：粘贴到输入框的图片的附件 ID（形如 sha256:…），见下方「粘贴图片识图」。
• prompt（可选）：具体问题，如「逐字提取图中文字」「数一下有几个按钮」「描述布局」。默认是包含全部可见文字的详细描述。

粘贴图片识图（composer 图片）

纯文本模型（如 deepseek-v4-flash）本身收不到图片：DSH 会在 apiproxy 的 prompt 入站门禁就拒绝「图片 + 纯文本模型」的发送（MODEL_DOES_NOT_SUPPORT_IMAGES）。这个拦截点在所有插件钩子之前，纯插件绕不过。

要让粘贴图片在纯文本模型下也能用，需要配合一个宿主补丁（给 DSH 加一个入站内容转换 seam），本插件已内置对应的监听逻辑：

1. 宿主补丁：在 DSH 的 apiproxy prompt 处理器里、存图之后、图像门禁之前，加一个 apiproxy/prompt-content waterfall。补丁 diff、原始备份与幂等重打脚本放在本仓库外的 dsh-host-patch/ 目录（决策记录见 docs/adr/0001）。
2. 插件行为：宿主补丁就位后，纯文本模型下粘贴图片发送时，插件把图片块改写成用户可见文字「用户粘贴了一张图片（附件 ID: sha256:…），要查看请调用 analyze_image(attachment_id=…)」，并把完整附件引用索引进内存。
3. 模型调用：模型看到提示后调用 analyze_image(attachment_id="sha256:…")，插件经 ctx.attachments.readImage 读回字节并转发视觉端点。

限制：附件引用索引是进程内的，服务器重启后历史会话里的附件 ID 无法再读回（需重新粘贴）；同一次会话内粘贴 → 发送 → 识图不受影响。

开发

npm test        # node --test，无外部依赖（fetch 为 mock）

安全说明

• 每次调用向你配置的端点发起一次 HTTPS 请求，图片内容会以 base64 发给该端点；不要发送你不愿交给该提供方处理的敏感图片。
• 插件不写文件、不收集数据、不代管凭据；报错信息中 API key 一律以 *** 脱敏。

许可

MIT，作者为 analyze-image-tool 贡献者。