InkshadeWoods / dsh-tool-visual-primitives

dsh-tool-visual-primitives

为 DeepSeek Harness（DSH） 的纯文本模型补充视觉能力。插件把图片交给外部视觉模型分析，再把带有空间定位信息的纯文本视觉证据交回原对话模型；因此，被增强的模型不需要原生图片输入能力。

核心思路参考 DeepSeek 的 Thinking with Visual Primitives：以归一化坐标和可引用对象，将图像理解转化为后续推理可使用、可检查的证据。

已发布至 npm。推荐使用下方的 DSH 官方一键安装命令；GitHub 源码挂载方式保留给开发与本地调试。

功能

• 两个入口，共用同一条 vision_analyze 分析核心：显式工具调用与对话中的 [vision] 模型。
• 自动识别 11 类视觉任务：描述、对象清单、多主体、计数、定位、空间关系、比较、路径、拓扑、UI、文档视觉。
• 三档分析细节：brief、standard（默认）、verbose。
• 三种视觉原语策略：auto（默认）、on、off；原语使用 <ref>、<box>、<point>，坐标范围为 0–999。
• 仅为你选定的纯文本模型追加 [vision] 变体；原模型保留，不受影响。
• 会话级视觉证据缓存：追问仅在已有证据覆盖新问题时复用，否则重新读图。
• 原生设置页：安全密钥存储、连接测试、/models 搜索选择、手动模型 ID，以及按供应商折叠选择待增强模型。

工作方式

图片 + 用户问题
      │
      ▼
detectVisionMode() → shouldUsePrimitives() → buildVisionPrompt()
      │
      ▼
外部视觉模型（OpenAI 兼容 Chat Completions）
      │
      ▼
纯文本视觉证据（可含坐标化 primitives）
      │
      ▼
原始文本模型继续回答

Mode 与 Detail 是正交控制：Mode 决定任务，Detail 决定信息密度。Primitives 决定是否强制结构化的空间证据。

前置条件

• 已可运行的 DSH Web Profile。
• Node.js >= 20 与 pnpm。
• 一个可访问的视觉模型服务。默认使用 OpenAI 兼容端点：
  • POST <Base URL>/chat/completions
  • 可选模型目录：GET <Base URL>/models

视觉服务与被增强的文本模型可以来自不同供应商。

安装

npm 一键安装

在 PowerShell 或终端执行：

npx @deepseek-ai/dsh plugin --profile web add dsh-tool-visual-primitives@latest

该命令调用 DSH 官方插件管理器，在 web Profile 中执行包安装。安装成功后，DSH 会识别本插件包内的 dsh.bundle.patch 声明，自动将插件加入 dsh.profile.bundles，并在启动时应用包内的 cordis.patch.yml。

该过程可重复执行，不会重复添加 bundle；它不会直接修改 Profile 自身的 cordis.patch.yml 或其他插件配置，因此可与 dsh-better-sidebar 等插件共存。

如使用的不是 web Profile，请将 --profile 改为对应的 Profile 名称：

npx @deepseek-ai/dsh plugin --profile <你的 Profile 名称> add dsh-tool-visual-primitives@latest

安装后完整重启 DSH，并在“设置 → 视觉分析”中填写 API Key、Base URL 和视觉模型。

从 GitHub 源码本地挂载

这是当前已验证的安装方式。如使用其他目录，请同步调整 $source。

$source = 'D:\DSH\dsh-tool-visual-primitives'
git clone https://github.com/InkshadeWoods/dsh-tool-visual-primitives.git $source

Set-Location $source
pnpm install
pnpm run build

npx @deepseek-ai/dsh plugin --profile web add $source

DSH 官方 CLI 会自动将本地包加入 Profile 依赖，并基于包内的 dsh.bundle.patch 声明维护 dsh.profile.bundles；无需手动编辑 Profile 的 package.json 或 cordis.patch.yml。

完整重启 DSH：

npx @deepseek-ai/dsh web

首次更新客户端界面时，请在浏览器按 Ctrl+Shift+R 强制刷新。

卸载

如需清除已保存的 API Key，请先在插件设置页点击“清除 API Key”。然后执行 DSH 官方卸载命令：

npx @deepseek-ai/dsh plugin --profile web remove dsh-tool-visual-primitives

DSH 会移除包依赖，并自动从 dsh.profile.bundles 清除对应 bundle。完成后重启 DSH。

首次配置

打开 DSH 设置 → 视觉分析，按顺序完成：

1. 填写 API Key、Base URL 与视觉模型。
2. 点击 加载模型：插件从 <Base URL>/models 获取可搜索列表。
3. 若服务不提供模型目录，直接填写 自定义模型 ID。
4. 点击 测试连接。
5. 配置分析参数，并在“对话视觉模型”中勾选希望追加 [vision] 的纯文本模型。

已保存的 API Key 不会在重新打开页面时回显；填写新值会覆盖旧值，点击“清除 API Key”才会删除它。

API 与模型目录

项目	行为
视觉请求	POST <Base URL>/chat/completions，使用 Authorization: Bearer <API Key>
模型列表	GET <Base URL>/models，使用 Accept: application/json 与同一 API Key
模型列表失败	仍可直接填写自定义模型 ID，不影响视觉分析
小米 Mimo URL	自动改用 api-key 请求头

分析参数

设置	选项 / 默认值	作用
视觉基元	auto / on / off（默认 auto）	auto 根据 Mode 与 Detail 判断；on 强制坐标化证据；off 只要求纯文本证据。
分析细节	brief / standard / verbose（默认 standard）	控制输出密度，不改变任务类型。
重试模式	off / on / format-only（默认 off）	原语缺失时，on 重新读图；format-only 尽量保留结论，仅补齐格式。
最大图片大小	10 MB	本地、远程与对话附件均受上限约束。
超时	180000 ms	单次视觉模型请求的最长等待时间。
输出 Token 预算	auto 或手动值（默认 auto）	auto 跟随 Detail：brief 1024、standard 2048、verbose 4096。

11 种自动分析模式

Mode	适合的问题	证据重点
caption	“这张图是什么？”	整体摘要与关键对象
object_inventory	“图里有哪些物体？”	主要对象清单与位置
multi_subject	“从左到右有哪些人？”	主体编号、特征与位置
counting	“有几个按钮？”	候选对象、排除项与数量
grounding	“红色按钮在哪里？”	目标及候选位置
spatial_relation	“A 在 B 的哪边？”	上下左右、遮挡、包含等关系
comparison	“比较这两个区域”	比较维度与分别可见证据
path_tracing	“路线怎么走？”	起点、关键点、终点与不确定处
topology	“迷宫是否可达？”	连通性、阻断与结论
ui_analysis	“这个界面怎么操作？”	UI 元素、状态、位置与下一步建议
document_visual	“解读这张图表/海报”	标题、文本块、表格、阅读顺序

优先级最高的关键词决定 Mode；没有匹配时使用 caption。例如“这个界面有几个按钮？”会识别为 ui_analysis，再叠加所选 Detail。

使用方式

方式一：在对话中使用 [vision]

1. 在插件设置的“对话视觉模型”中勾选一个纯文本模型。
2. 重新打开对话模型列表，选择新增的 模型名 [vision]。
3. 上传、粘贴或拖入图片，并直接提出问题。

插件仅将图像块替换为视觉证据文本；最终回答仍由所选的原文本模型生成。

对于明确指向当前会话最近图片的追问，插件会检查缓存证据是否覆盖新的任务、细节与关注对象/位置。覆盖不足时会重新分析图片，而不是把不充分的旧答案当作事实。

方式二：显式调用 vision_analyze

工具接收且只接收一个图片来源：本地绝对路径或 HTTP(S) URL。

{
  "image_path": "D:/images/dashboard.png",
  "prompt": "统计界面上可点击的主要按钮，并标出它们的位置"
}

{
  "url": "https://example.com/chart.png",
  "prompt": "解读图表的趋势，并说明读不清的标签"
}

远程 URL 不允许指向 localhost、私有网络地址或携带用户名/密码；重定向会被拒绝，以降低服务器端请求伪造风险。

视觉证据格式

启用视觉原语时，外部视觉模型会被要求按如下标题返回：

[Mode]
[Visual Primitives]
[Observations]
[Relations]
[Uncertainty]
[Answer]

定位信息示例：

<ref>submit_button</ref><box>[[742, 861, 900, 930]]</box>
<point>[[125, 430], [210, 430], [300, 510]]</point>

所有坐标均为相对 0–999，不是原图像素。

已验证的端到端场景

测试素材和结果均保存在 test/。

场景	已验证结果
对话图片理解	[vision] 模型成功读取 DSH 使用模式对比图，并向文本模型提供结构化图像说明。
截图驱动的 UI 复刻	[vision] 模型理解 Bilibili 首页截图后，文本模型据此生成了一个独立的 Bilibili 风格 HTML 页面。

图片理解结果

UI 复刻过程与结果

这些结果证明的是当前版本的端到端链路；生成效果仍取决于外部视觉模型、文本模型、提示词和图片质量。

开发

pnpm install
pnpm run build

pnpm run build 会生成客户端包 lib/client.js。

• 服务端入口为 index.mjs；修改后需要重启 DSH。
• 修改客户端界面后，需要重新执行构建，并在浏览器中强制刷新页面。

许可证

MIT

致谢与参考

• Thinking with Visual Primitives
• DeepSeek Harness
• Provider 桥接设计参考 modlens