54xkeee/dsh-youreyes

👁️ dsh-youreyes

English

简体中文

给纯文本 DeepSeek 一双眼睛。 在 DeepSeek Harness 里粘贴图片、截图、文件路径——模型就能”看见”并回答与图片相关的问题。DeepSeek 依然是大脑，识图只是眼睛。

一句话：DeepSeek 不会看图？装上它就会了——粘贴、识图、回答，三步完成。

✨ 为什么值得用

痛点	dsh-youreyes 的解法
DeepSeek 纯文本，粘贴图片直接被拒	包装适配器声明图片输入，图片自动转文本占位，不再报错
别的识图插件只认自家 API	反重力（默认）+ 任意 OpenAI 兼容端点 + Gemini + 本地 Ollama，你的 key 都能用
配置麻烦、要注册一堆东西	本地 Ollama 零配置自动检测；有 Gemini 免费 key 一行配置即可
模型看到图但”忘了”	视觉证据记忆：识图结果写入会话，后续轮次可复用，压缩后自动恢复
同一张图反复花钱识别	内容哈希缓存：同图同问进程内只识别一次
复杂画面识别不准	auto 档位分流：先标准检查，画面复杂自动升级深度检查
WSL / 被墙环境连不上 API	winCurl 自动降级：fetch 失败自动走 Windows curl 重试

🎯 真实效果（2026-08-15 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（Gemini 通道）：

这是一只橘色虎斑猫（橘猫）。它正四脚朝天、肚皮朝上地仰卧在黑色床单/毯子上安稳地睡觉，姿态非常放松惬意。

输出（OpenAI 兼容通道 · 通义 qwen3.7-flash）：

这是一只橘猫（或者叫橘色虎斑猫）。它正四脚朝天地仰面躺在深色的床单（或毯子）上。它闭着眼睛，看起来睡得很沉或很香；阳光照在它身上形成了明显的光影；四肢完全伸展，呈现出一种非常舒展、毫无防备的姿态。

你粘贴图片 + 提问
  → dsh-youreyes 把图片转成占位符，DeepSeek（大脑）看到
  → DeepSeek 调用 vision 工具 → 通用视觉通道识图
  → 文字证据回填 → DeepSeek 继续回答

🧠 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-youreyes 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

视觉模型自己判断画面复杂度。以下情况都会判为 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

响应带 escalated 标记，你永远知道是哪一遍回答的。

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、报错信息
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

每次识图都要求视觉模型输出严格 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（≤8 项、≤160 字）——上下文始终保持紧凑。

4. 长上下文视觉记忆——模型永远不会”忘”它看过什么

这是让识图跨轮次真正有用的部分：

• 每次结果作为持久化 <dsh-youreyes-evidence> 记录写入会话时间线（插件 notice 消息），而不是只返回一次。
• 跨轮复用：同一张图 + 同一个问题直接命中已有记录——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（attachment=… | mode=… | detail=… | summary），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：长会话被 DSH 压缩后，近期视觉记录自动恢复——记忆扛得住摘要。

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（64 条）保证同一张图用同一种问法每个进程最多识别一次——跨会话也生效。

6. 上游流修复

repairLegacyPlanningStream 会把部分 OpenAI 兼容 DeepSeek 路由误报成 text 的工具前规划重新标记——工具调用流在任何后端上都保持干净。

🚀 快速开始

方式零：反重力 IDE（默认通道，配置后优先）

使用 Antigravity IDE（已启动并登录）时，把它配为默认识图通道——识别走你的 IDE 订阅额度（flash/pro 双档，按模型名自动选择）：

- insert:
    - id: youreyes
      name: dsh-youreyes
      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；IDE 不可用时自动降级 Gemini → OpenAI → Ollama。

方式一：本地 Ollama（零配置，最省心）

# 1. 安装 Ollama 并拉一个视觉模型
ollama pull llama3.2-vision   # 或 llava / qwen2.5vl
# 2. 装插件（除了 Ollama 之外什么都不需要！）
dsh plugin --profile web add dsh-youreyes
# 3. 重启 dsh web，完事

插件启动时自动检测本地 Ollama（autoOllama: true 默认开），图片不出本机，无 key、无注册、无费用。

方式二：Gemini API（免费额度，一行配置）

dsh plugin --profile web add dsh-youreyes
# 然后编辑 profile 的 cordis.patch.yml，给 youreyes 加 config：

- insert:
    - id: youreyes
      name: dsh-youreyes
      config:
        geminiApiKey: AIza...   # 去 https://aistudio.google.com/apikey 免费申请

方式三：任意 OpenAI 兼容端点（智谱 / 通义 / OpenRouter / 本地 vLLM…）

- insert:
    - id: youreyes
      name: dsh-youreyes
      config:
        openaiBaseUrl: https://open.bigmodel.cn/api/paas/v4   # 智谱
        openaiApiKey: xxx
        openaiModel: glm-4.6v-flash

使用

1. 面板：会话头部点「识图」→ 添加/粘贴图片 → 填提示词 → 选模式/档位/通道 → 识别。
2. 对话流：模型选择器选 DeepSeek (Vision Toolkit)，直接粘贴图片发送——模型自动调用识图。

🧪 配置自检（验证你的通道真的能用）

装好后，最快验证方式——直接调 HTTP 接口（/api/youreyes/vision），一分钟内确认通道通不通：

# 把 base64 图片发过去，看返回
python3 - << 'EOF'
import base64, json, urllib.request
b64 = base64.b64encode(open('test.jpg','rb').read()).decode()
req = urllib.request.Request('http://127.0.0.1:3080/api/youreyes/vision',
  data=json.dumps({'images':[{'image':b64,'mime':'image/jpeg'}],
    'prompt':'图片里有什么？','channel':'auto'}).encode(),
  headers={'content-type':'application/json'})
print(json.loads(urllib.request.urlopen(req, timeout=120).read())['text'])
EOF

看到文字描述 = 通道已通。若报错，看下面的 Troubleshooting 表。

⚙️ 完整配置

Key	默认	说明
defaultChannel	auto	面板默认通道：auto（反重力优先）/ antigravity / openai / gemini / ollama
defaultModel	gemini-3.7-flash	面板默认模型
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 用户主目录（项目文件用）
antigravityBrainDir	""	反重力 brain transcript 目录
openaiBaseUrl	https://open.bigmodel.cn/api/paas/v4	OpenAI 兼容端点（自动追加 /chat/completions）
openaiApiKey	""	OpenAI 兼容端点 key（或环境变量 YOUREYES_OPENAI_API_KEY）
openaiModel	glm-4.6v-flash	OpenAI 兼容端点模型
geminiApiKey	""	Gemini API key（AIza… / AQ.）
geminiModel	gemini-3.7-flash	Gemini 模型
autoOllama	true	启动时自动检测本地 Ollama
ollamaBaseUrl	http://127.0.0.1:11434	Ollama 地址
ollamaModel	""	Ollama 模型（空则自动选视觉模型）
winCurlPath	""	WSL 降级：fetch 失败时用 Windows curl.exe 重试
maxTokens	2048	视觉模型最大输出 token
timeoutMs	60000	单次请求超时
maxImageBytes	8MB	单张图片上限
maxImages	8	一次最多图片数
visionUpstreams	["deepseek", "opencode-go"]	对话流包装 provider 的上游列表（deepseek 中转 + opencode-go 的 flash/pro 全系）
cacheMax	64	内存 LRU 缓存条数
allowedImageDirs	[]	非空时仅允许 image_path 读取这些目录

🎨 支持的后端一览

场景	baseURL	模型示例	说明
本地 Ollama（自动检测）	http://127.0.0.1:11434	llama3.2-vision / llava	零配置，图片不出本机
智谱（免费档）	https://open.bigmodel.cn/api/paas/v4	glm-4.6v-flash	免费档，注册即用
通义 / DashScope	https://dashscope.aliyuncs.com/compatible-mode/v1	qwen3-vl-flash	便宜、快、无速率限制
Gemini（免费额度）	（内置）	gemini-3.7-flash	AI Studio 免费 key
OpenRouter	https://openrouter.ai/api/v1	qwen/qwen-2.5-vl-72b	一家 key 用遍所有模型
本地 vLLM / 任意网关	你的端点	你的模型	只要说 /chat/completions 就行

🔧 Troubleshooting

症状	原因 & 解决
gemini channel: 503 high demand	Gemini 模型暂时过载，稍后重试或换模型
fetch failed 然后还是失败	网络不通（WSL/被墙）：配置 winCurlPath: /mnt/c/Windows/System32/curl.exe 走 Windows 网络栈
401 / auth	key 不对或已失效，检查配置
model not found	模型 id 拼错，或该端点没有这个模型
图片超过限制	单张 >8MB 或一次 >8 张，压缩后再试
面板点了没反应	刷新浏览器页面重载客户端 bundle

🔒 隐私

• 默认通道：你配置的 API 端点（OpenAI 兼容 / Gemini）。本地 Ollama 时图片完全不出本机。
• API key：只存于配置文件，错误信息自动脱敏（***），绝不写入日志。
• 图片内容：仅在识别时发送给视觉端点；识别结果（文字）写入你的会话，可随时删除会话。

🏗️ 架构（给插件开发者）

src/
├── index.ts        # 服务端：适配器注册、vision 工具、/api/youreyes/vision、compaction 恢复
├── vision-core.ts  # 核心：提示词构建、响应归一、证据记录、占位符、流修复
├── channels.ts     # 通用视觉通道：openai / gemini / ollama（含 winCurl 降级）
└── client/
    ├── entry.ts
    └── plugin.tsx  # 客户端面板（多图/粘贴/模式/档位/通道）

• 证据记忆：识图结果以 <dsh-youreyes-evidence> 标记写入会话时间线，跨轮复用；请求流自动附带视觉记忆清单，模型可据此追问。
• compaction 恢复：会话压缩后自动补回近期视觉记录。
• 流修复：兼容把工具前规划误报成 text 的上游路由。
• 接口三件套：vision 工具（agent 调用）、/api/youreyes/vision（HTTP）、包装 provider（模型选择器）。

🛠️ 开发

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

📄 License

MIT

🙏 Credits

• 架构与特色继承自内部项目 dsh-vision（vision-toolkit：占位符 + vision 工具 + 包装适配器 + 证据记忆）
• 通道与错误处理参考 dsh-vision-proxy、dsh-vision 等社区插件的公共约定