slcatwujian 的 DSH 图片理解插件（vision-bridge）

让不支持图片输入的主模型也能"看懂"图片 —— 插件会自动把消息中的图片交给已配置的视觉模型分析，生成带像素坐标系的文字描述注入会话，主模型基于描述理解图片，无需更换主模型。

包名：@dsh-local/vision-bridge ｜ 版本：1.0.0 ｜ 许可证：MIT

功能特性

• 🖼️ 自动图片桥接：用户上传图片后，插件调用配置的视觉模型生成详细描述（内容概括、元素定位、文字转录、状态细节），并把消息中的图片块替换为文字描述，主模型照常回复。
• 🎯 像素坐标体系：所有元素位置都以像素坐标给出 —— 原点在图片左上角 (0,0)，x 轴向右、y 轴向下；元素定位格式为中心点 (cx, cy) 与边界框 [x1, y1, x2, y2]。
• 🔍 vision_ask 追问工具：助手在回答中需要更多图片细节时，可调用 vision_ask 工具向视觉模型追问（支持 attachmentId 或本地图片路径 path 两种入参）。
• 📤 发送放行补丁：自动解除网页端对"不支持图片输入模型"的图片发送拦截，消息可正常发出，由插件接管图片分析。
• ⚙️ 内置设置页：在 设置 → 图片理解 中配置视觉模型提供方/模型、描述最大 token 数、自动分析开关，支持一键「测试模型」验证与「声明图片输入」。
• 💾 配置持久化：配置写入 DSH 存储（storage: json），DSH 重启后自动恢复。
• 🔁 去重缓存：同一图片在同一会话内只分析一次，描述结果缓存复用。

工作原理

用户发送图片 ──► DSH llm/stream ──► 插件拦截
                                      │
                    ┌─ 主模型支持图片？ ─┐
                    │ (读取原始能力数据) │
                  否 │                  │ 是
                    ▼                  ▼
        调用视觉模型生成描述 ◄─  直接透传，不干预
              │
              ▼
   图片块替换为文字描述（含 attachmentId 标签）
              │
              ▼
        注入主模型上下文，正常回复

插件通过 llm/stream 事件钩子实现桥接；同时为网页端 RPC（/vision-bridge/rpc）提供 get-state / list-models / set-config / test / enable-image 接口供设置页调用。

安装

1. 将本插件目录放入 DSH web profile 的本地包目录：

   <profile>/packages/vision-bridge/
   

2. 在 profile 的 cordis.patch.yml 中注册插件（追加到 insert 列表）：

   - insert:
       - id: vision-bridge
         name: '@dsh-local/vision-bridge'
   

3. 重新加载 DSH web 服务（或重启 DSH）。

依赖

• DSH（含 @deepseek-ai/cordis、@deepseek-ai/dsh-tools、@deepseek-ai/dsh-llm）
• 已配置至少一个支持图片输入的模型提供方（如 pi-ai 系适配器），用于充当视觉模型

配置

打开 设置 → 图片理解：

配置项	说明
模型提供方	选择已注册的模型提供方（需在 设置 → 模型 中提前配置）
视觉模型	选择或手动输入支持图片输入的模型 ID
描述最大 token 数	200–8000，默认 1200
自动分析消息中的图片	开启后图片自动交给视觉模型；关闭后助手会提示改用 vision_ask

• 测试模型：验证所选模型是否声明支持图片输入，并展示上下文窗口等信息。
• 声明图片输入：当模型未声明 image 输入模态时（仅 pi-ai 系提供方支持），点击按钮将 image 写入提供方的 defaultInput，持久生效。

使用

• 直接发送图片，插件自动分析并注入描述；消息中的注入标签形如：

  【图片描述·vision-bridge·attachmentId=xxx】图片 name.png，1280×720px，已由视觉模型分析；坐标原点为图片左上角 (0,0)，单位像素

• 助手可调用 vision_ask 工具追问细节：

  vision_ask(attachmentId="xxx", question="描述右上角区域的内容")
  vision_ask(path="C:/path/to/image.png", question="图片中有什么文字？")
  

目录结构

slcatwujian-dsh-vision-plugin/
├── package.json        # 包定义（@dsh-local/vision-bridge）
├── lib/
│   ├── index.js        # Host 端：桥接、vision_ask 工具、RPC、配置持久化
│   └── client.js       # Web 客户端：设置页 UI（React）
└── README.md

许可证

MIT