54xkeee/dsh-vision

👁️ dsh-vision

给 DeepSeek Harness 的纯文本 DeepSeek 一双眼睛——默认走豆包 Web，零成本、免 API key。

English

简体中文

一句话：不用 API key、不用付费——浏览器里登录一次豆包，DeepSeek 就能在每轮对话里看图。粘贴、识图、回答。

✨ 为什么值得用

痛点	dsh-vision 的解法
视觉 API 花钱还要 key	豆包 Web 默认通道——零成本、免 API key，浏览器登录即可
DeepSeek 纯文本，粘贴图片被拒	包装适配器声明图片输入，图片自动转文本占位
别的插件锁死一家厂商	豆包 Web（默认）+ 反重力额度（flash/pro）+ Gemini API + Cockpit 反代——自动降级链
模型看到图但”忘了”	视觉证据记忆：结果持久化在会话，跨轮复用，压缩后恢复
同一张图反复花钱识别	内容哈希缓存：同图同问每进程最多识别一次
复杂画面识别不准	档位自动升级：先标准检查，复杂画面自动深度检查
WSL / 被墙环境	API 通道有 winCurl 降级；豆包通道走你的 Windows 浏览器

🎯 真实效果（2026-08 实测，全链路真实调用）

输入：一张橘猫照片 + 这是什么动物？它在做什么？请用中文回答。

输出（豆包 Web 通道——默认）：

这是一只橘猫（家猫），它四仰八叉仰躺在床上睡觉，肚皮露在外面，四肢舒展，睡得十分放松惬意。猫咪把肚子露出来，说明它对周围环境很有安全感。

输出（反重力通道 · flash 档）：

这是一只橘猫（橘色虎斑家猫）。它正仰面熟睡/惬意放松：四脚朝天、露出圆滚滚毛茸茸的肚子，正舒适地躺在深色床垫/毯子上睡觉。

你粘贴图片 + 提问
  → dsh-vision 把图片转成占位符，DeepSeek（大脑）看到
  → DeepSeek 调用 vision 工具 → 豆包 Web（默认）/ 其他通道识图
  → 文字证据回填 → DeepSeek 继续回答

🚀 快速开始

方式零：豆包 Web（默认，零成本）

1. 装插件：

   dsh plugin --profile web add dsh-vision-web
   

2. 启动 Windows 桥接（驱动你已登录的 Chrome）：

   # 在 Windows 侧：连接一个开了调试端口的 Chrome，然后运行
   node bridge.mjs    # 详见下方「豆包桥接」章节
   

3. 在那个 Chrome 里登录一次 doubao.com。
4. 重启 dsh web，粘贴图片——搞定。全程不需要任何 API key。

方式一：反重力额度（如果你用 Antigravity）

配置好工作区后，插件自动优先走反重力（按模型名选 flash/pro 档）：

- insert:
    - id: vision
      name: dsh-vision
      config:
        antigravityWorkspace: /path/to/workspace
        antigravityProjectId: your-project-id
        antigravityLsExe: /path/to/language_server.exe
        antigravityWindowsHome: /mnt/c/Users/you
        antigravityBrainDir: /mnt/c/Users/you/.gemini/antigravity/brain

端口/CSRF 每次调用自动发现，IDE 重启也不用改配置。

方式二：Gemini API（降级通道）

      config:
        genlangKey: AIza...   # https://aistudio.google.com/apikey

方式三：任意 IDE CLI（Claude Code / Gemini CLI / Qwen Code / MiMo…）

如果你有编程软件的会员，用它的本地 CLI 来识图（配置驱动，无需改代码）：

      config:
        ideCli:
          enabled: true
          exe: claude                      # 或 gemini / qwen / 任意 CLI
          argsTemplate: "-p {prompt}"      # {prompt} 替换为提问 + 图片引用
          imageRefTemplate: "{path}"       # Gemini CLI 用 "@{path}"
          timeoutMs: 120000

通道把提问 + 图片文件路径传给 CLI，stdout 即回复——Claude Code、Gemini CLI、Qwen Code、MiMo 等都用同一套配置接入。

使用

1. 面板：会话头部点「识图」→ 添加/粘贴图片 → 提示词 → 模式/档位/通道 → 识别。
2. 对话流：模型选择器选 deepseek-vision 路由，粘贴图片发送——模型自动调用识图。

🌉 豆包桥接（零成本通道怎么跑）

豆包 Web 通道自动化的是你已登录的浏览器，而不是调 API：

DSH 插件 (WSL) ──submit──▶ 队列服务 (127.0.0.1:9340)
                                ▲ 轮询
Windows 桥接 (node + puppeteer-core) ──┘
        │ CDP 连接 Chrome（调试端口）
        ▼
豆包侧边栏：上传图片 → 输入提问 → 回车 → 等回复
        │
        ▼ 回复文本 → POST /result → DSH 插件

• 一次登录：在桥接用的 Chrome profile 里登录一次豆包，之后一直复用。
• Windows→WSL localhost 转发承载队列通信，无需改防火墙。
• 桥接以 bridge.mjs 随仓库分发——在 DSH 旁边跑一次（node bridge.mjs），永久轮询。
• WSL 无法直连 Windows 端口，所以队列放在 WSL 侧、桥接从 Windows 侧主动轮询。

🧠 识图引擎——复杂识图到底怎么工作

天真的”看图→描述”循环在密集截图、表格、UI 原型和多图对比面前会崩。dsh-vision 把识图做成了结构化、自动升级、带记忆的流水线：

1. 档位自动升级——它知道一遍不够

detail: auto 走两遍策略：

第一遍（standard + 预判）──▶ complexity == "simple" ──▶ 完成
                            └─▶ complexity == "complex" ──▶ 第二遍（deep）──▶ escalated 结果

视觉模型自己判断复杂度。以下情况都判为 complex 并自动触发深度检查：

• 多主体关系 · 密集小字 · OCR 密集内容
• 表格 / 图表 / 代码 / 界面 · 计数 · 对比 / 找差异
• 专业画面 · 多步空间推理

2. 四种任务模式，一个工具

模式	干什么	典型场景
glance	通用理解，围绕你的问题选证据	日常提问
ocr	按自然阅读顺序转录文字，保留标题/段落/表格/界面层级	截图、文档、报错
region	聚焦一个区域——归一化坐标 0.1,0.2,0.8,0.9 或自然语言（”右上角”）	UI bug、图表细节
compare	逐项列出 ≥2 张图的异同与置信度	前后对比、版本对比、A/B

3. 结构化证据，不是流水账

每次识图都要求输出严格 JSON 证据对象：

{
  "complexity": "simple|complex",
  "base_evidence": {
    "summary": "中性概述",
    "ocr": "可见文字（没有则为空）",
    "layout": ["布局观察"],
    "entities": ["实体"],
    "relations": ["关系"],
    "uncertainty": ["明确的不确定项"]
  },
  "query_answer": "直接回答用户"
}

观察与推断分离、不确定性显式写出（绝不脑补）、每项列表限长——上下文保持紧凑。

4. 长上下文视觉记忆——模型永远不会”忘”它看过什么

• 每次结果作为持久化 <dsh-vision-evidence> 记录写入会话时间线。
• 跨轮复用：同一张图 + 同一个问题命中已有记录——识别一次，永远记住。
• 视觉记忆清单：每次请求流自动附带近期证据目录，模型可以主动追问——放大区域、重新 OCR、跟新截图对比——你什么都不用重新粘贴。
• compaction 恢复：长会话压缩后，近期视觉记录自动恢复。

5. 内容哈希缓存——同样的像素绝不付两次钱

缓存键 = SHA-256(图片字节) + prompt + detail + mode + region + model + channel + prompt版本，进程内 LRU。

⚙️ 完整配置

Key	默认	说明
defaultChannel	auto	auto（配置了反重力则优先反重力，否则豆包 Web）/ web / antigravity / genlang / cockpit / aicode
defaultModel	gemini-3.7-flash	面板默认模型（名字含 pro → 反重力 pro 档）
webChannel.enabled	true	豆包 Web 通道开关
webChannel.queuePort	9340	WSL 队列端口
webChannel.timeoutMs	240000	网页回复等待超时
antigravityWorkspace	""	反重力工作区（WSL 路径）
antigravityProjectId	""	反重力项目 id
antigravityLsExe	""	language_server.exe 路径
antigravityWindowsHome	""	Windows 主目录（项目文件用）
antigravityBrainDir	""	Brain transcript 目录
genlangKey	""	Gemini API key（AIza… / AQ.）
cockpitBaseUrl / cockpitKey	http://127.0.0.1:65386 / ""	Cockpit 反代
oauthAccount / oauthClientId / oauthClientSecret	""	aicode 直连（自带凭据，不内置）
visionUpstreams	["deepseek"]	对话流包装的上游 LLM
cacheMax	64	内存 LRU 缓存条数
allowedImageDirs	[]	非空时仅允许 image_path 读取这些目录
curlPath	/mnt/c/Windows/System32/curl.exe	WSL 降级用 Windows curl

🔧 Troubleshooting

症状	原因 & 解决
Web 通道超时	桥接没跑（node bridge.mjs）或 Chrome 没登录豆包——两个都查
桥接报 fetch failed	队列服务没起（DSH 插件启动它；确认插件已加载）
反重力报「找不到 language_server.exe」	Antigravity IDE 没运行——启动并登录
Gemini 503 high demand	Gemini 过载；重试或换模型
WSL 连不上 API	配 curlPath（Windows curl）——API 通道自动降级用它

🔒 隐私

• 豆包 Web：图片发给你自己登录的豆包会话——和手动用网页一样。
• API key：只存本地配置；错误信息自动脱敏，绝不写日志。
• OAuth 凭据：不内置——aicode 通道要求用户自带，存本地配置。

🏗️ 架构

src/
├── index.ts        # 服务端：适配器、vision 工具、/api/vision、compaction 恢复
├── vision-core.ts  # 提示词构建、响应归一、证据记录、流修复
├── web-channels.ts # 豆包 Web 队列服务（WSL 侧）
└── client/
    └── plugin.tsx  # 客户端面板（多图/粘贴/模式/档位/通道）

bridge.mjs          # Windows 桥接：轮询队列，CDP 驱动豆包

🛠️ 开发

git clone https://github.com/54xkeee/dsh-vision
cd dsh-vision
npm install
npm run build     # esbuild → lib/index.js + lib/client.js
npm test          # node --test

📄 License

MIT

🙏 Credits

• vision-toolkit 架构（占位符 + vision 工具 + 包装适配器 + 证据记忆）与 dsh-youreyes 共享
• 通道与错误处理约定参考 dsh-vision-proxy 等社区插件