jing-hy/picturereader

picturereader

v3.0.3 — 给纯文本模型（DeepSeek / text-only）的全能「看图 / 读文档」能力：粘贴即用、原生缩略图。 融合 视觉孪生 adapter（把任意文本模型原位包装成「支持图片」→ DSH 原生缩略图 + 图片块自动分析）、三模式路由、本地像素级工具链（scan / OCR×3 引擎 / crop / palette / compare / batch）、文档转图片（pdf / word / excel / ppt）与可选外部 VLM 桥。一个插件全包，无需另装。

---

定位

DeepSeek 等纯文本模型没有视觉编码器，无法直接看图片；DSH 原生缩略图也需要模型被声明为「支持图片」才会渲染。

⭐ 已支持外部视觉 API（OpenAI 兼容端点 / LM Studio / 云端 VLM），由 LLM 自行按需调用：配置好端点后，模型会在智能/严谨模式下自主判断”这张图值不值得外呼视觉模型”，需要时用 vision_analyze 调外部 API 做语义理解，简单内容则本地像素/OCR 搞定——外部 API 是即插即用的增强能力，不是必须依赖。

picturereader 解决两件事：

1. 把「看图/读文档」翻译成纯文本模型能理解的结构化证据（像素级 huel/结构/材质分析 + OCR 实读 + 可选 VLM 语义描述），并沉淀为读图方法论 skill。
2. 通过「视觉孪生 adapter」让纯文本模型在 DSH 里获得原生缩略图体验：勾选模型即生成「(视觉)」变体，粘贴图片显示原生缩略图、图片块进会话、并被自动分析成文本路径 + 本地证据再交给模型——模型拿到的永远是纯文本，不会触发 UNSUPPORTED_CONTENT。

版本徽章与兼容性：已验证兼容 DeepSeek Harness EAC 4.2.0 与 @deepseek-ai/dsh-client-ui-workspace rc.7。

🚀 后续将作为 DeepSeek Harness EAC 的内置视觉插件：本插件计划替换内置的 dsh-tool-vision，随 DSH EAC 桌面版直接捆绑发布，开箱即用（见上游 PR）。作为独立包发布的目的，是让非 EAC / 旧版用户也能通过 dsh plugin add picturereader 或 Git/npm 安装获得同等「看图 / 读文档」能力。

功能总览

① 视觉孪生 adapter（原生缩略图 + 自动分析）

• Proxy 原位包装：对被勾选的模型所属 provider，用 Proxy 把其 adapter 包装成「孪生」并原位替换（registerTwinAdapters，卸载经 ctx.effect 还原），不重复注册。
• listModels / resolveModel：对被勾选模型声明 inputModalities: ['text','image']、名称加「(视觉)」后缀 → DSH 认为它支持图片 → 原生缩略图渲染、图片块进会话、粘贴准入全部解锁。
• stream 拦截：捕获请求里的 image block → 导出到 ~/.dsh/picturereader-vision/images/ → 替换成文本路径 + 本地工具链引导 → 转发给原始 adapter。pi-ai 收到的是纯文本，不会报 UNSUPPORTED_CONTENT；opencode-go 等走 @earendil-works/pi-ai 的 provider 同样经此孪生获得原生缩略图能力。
• 隐私模式下分析只走本地工具，绝不外发。

② 智能路由（隐私 / 智能 / 严谨 三模式）

这是 picturereader 的”大脑”：统一在 routing.js + runtime.js 收敛「什么时候走外部 VLM、什么时候只用本地、要不要交叉验证」，供各工具 / 图片桥 / 视觉孪生 stream / vision_analyze 共享，保证整条图链都遵守同一套路由策略。

路由决策原理

每次看图，模型面对的问题其实是同一个：「这张图，值得花什么成本、用哪条路线读懂它？」picturereader 把答案预置成三种策略，模型据此自主决策，同时 host 侧做硬约束兜底：

图片进来 → 孪生 stream 拦截 / 工具被调用
        → 读入当前「模式」→ 得到该模式的路由策略
        → 模型 / 工具按策略选路线：
            本地像素分析（image_scan / image_sample）
            本地文字识别（image_ocr：windows / paddle / rapid）
            外部语义理解（vision_analyze include_vlm=true → VLM）
            交叉验证（多路证据对照）

核心决策函数 visionAnalyzeDefaults(mode) 定义各模式”默认的证据组合”：

模式	默认 include_scan	默认 include_ocr	默认 include_vlm	allow_low_info
隐私（privacy）	✅	✅	❌（硬禁）	❌
智能（smart）	✅	❌（按需）	✅（值得才调）	❌
严谨（strict）	✅	✅	✅	❌

三种模式的路线策略

🕶 隐私模式（Privacy）——零外呼硬门禁

• 绝不调用任何外部视觉端点，即使你在设置卡配了 API。
• 约束是 host 侧强制：runtime.js 使 isVlmConfigured() 恒为 false，vision_analyze 强制 include_vlm=false，视觉孪生 stream 的降级文本也明确”只用本地工具”。
• 模型只能用本地工具：image_scan / image_ocr / image_sample / image_crop / image_palette / image_compare。图片字节不出本机。
• 适用：敏感图片（身份证、合同、私人截图）、离线、零外部流量审计场景。

⚡ 智能模式（Smart）——省轮数、省时间（默认）

• 目标：先把成本压到最低，复杂内容才值得外呼。
• 决策流程：先 image_scan 快速看整体 → 自行判断：
  1. 图片以文字为主 → image_ocr 读文字即可，不必调 VLM；
  2. 普通图表 / 界面 / 简单内容 → image_scan + image_sample 自己看就能说清，不必调 VLM；
  3. 仅当内容复杂、需语义理解（照片、抽象画面）且配置了端点时，才 vision_analyze(include_vlm=true) 走外部 VLM。
• 视觉孪生死活都会先把图片导出成本地路径，模型可随时本地深挖，不会被困在”必须外呼”的死路。

🎯 严谨模式（Strict）——交叉验证、细看细节

• 目标：可靠性优先，不贪省。
• 决策：先 image_scan 了解整体 → 必要时 image_ocr 读文字、image_sample 细看细节 → 对关键判断做交叉验证（把像素证据、OCR 证据、（可选）VLM 语义描述相互对照，不轻信单一来源）。
• 允许使用外部 VLM（需配置），但强度更高、可追溯。
• 适用：需要高准确率与可复现结论的场景（审图、校对、数据分析）。

隐私硬门禁贯穿所有入口：无论走哪个工具/桥，runtime.js 的模式快照都会在调用点做校验，routePolicyText(mode) 还会把当前策略注入给模型的提示里，双保险。

与视觉孪生 adapter 的协同

三模式不仅约束 vision_analyze，也约束视觉孪生 registerTwinAdapters 的 stream 拦截：图片块总是被无条件替换成文本（路径 + 本地证据引导，这是模型能读懂的前提），但是否/何时进一步外呼 VLM 由当前模式决定——隐私模式恒不透传图片、不发起外部调用；智能/严谨模式在需要且已配置时才走外部语义理解。因此”原生缩略图”与”隐私零外呼”可以同时成立，互不冲突。

③ 本地工具链（纯本地、纯 JS 像素级）

工具	作用
image_scan	全局/区域扫描：颜色网格 + regions 色块 + shade diversity + texture + structure + hue families；支持 focus/region/px_per_cell 定向放大
image_ocr	文字识别三引擎：windows（内置）/ paddle（选装，发光/弯曲/游戏字更强）/ rapid（选装，轻量快速），失败自动降级不崩溃
image_sample	N×N 精确像素取样，判断材质/纹理
image_crop	按 region 裁剪并导出 PNG
image_palette	颜色提取：主色列表（hex + 命名单 + 占比）+ 色相家族
image_compare	两图/两区域像素对比：mean_diff / diff_ratio / diff_box / verdict，可选差异可视化预览
image_batch	批量规模/上下文验证：批量扫描 + 类型判定 + 自动全量 OCR + 是否值得深入建议
vision_analyze	统一入口：低信息拦截 + 可选像素扫描 / OCR / VLM，按模式路由，返回多路证据

④ 文档转图片 document_to_image

把 pdf / docx / doc / xlsx / xls / pptx / ppt 逐页转成 PNG（LiberOffice headless → PDF → PyMuPDF），供模型逐页 OCR / 扫描分析。纯本地、零网络；支持 dpi / max_pages / out_dir / 批量 file_paths。

⑤ 外部 VLM 桥（已支持，由 LLM 自行调用）

已支持外部视觉 API，且调用时机完全交给 LLM 自主判断：配置好 OpenAI 兼容端点后（LM Studio / llama-server / 云端网关 / GLM-4V-Flash 免费模型），模型在智能 / 严谨模式下会自行判断”这张图是否值得外呼视觉模型”——简单内容用本地像素/OCR 就够，复杂内容（照片、抽象画面、需语义理解）才通过 vision_analyze(include_vlm=true) 调 sendVisionRequest 以 data URI 送图给外部 VLM，取回语义描述。baseURL 自动补 /v1/chat/completions（无需手写完整路径）。

• LLM 自行调用 = 你不用手动切模型/手动发图，模型按模式策略在该外呼时自己调外部 API。
• 隐私模式仍为硬门禁：即使配置了外部 API 也绝不调用、绝不外发图片字节。

⑥ 设置卡片「图片阅读」

Web 设置页注册「图片阅读」卡片：使用模式、外部视觉 API、视觉桥模型多选、高级设置（详见「设置卡字段」）。改动写 ~/.dsh/settings.yaml 即时生效。

⑦ 粘贴即用 + 缩略图

开启视觉孪生并选择「(视觉)」模型变体后：粘贴/拖入图片 → 原生缩略图 → 图片块进会话 → 被孪生 stream 拦截 → 导出文本路径 + 本地证据 → 纯文本模型拿到结果，可继续用 image_scan / image_ocr 深挖。

与主流多模态插件的差异 / 优势

对比常见方案（dsh-tool-vision、dsh-image-paste、dsh-vision-bridge 等）：

1. 不绑定单一厂商：视觉孪生对任意 provider 生效（含 opencode-go / xiaomi / qiu 等 pi-ai 系），不是只适配某一家 API。
2. 全链路可离线：隐私模式零外呼；本地纯 JS 像素工具 + 3 引擎 OCR，不依赖云端。
3. 工具链完整：裁剪 / 取色 / 对比 / 批量 / 文档转图，一个插件全覆盖。
4. 原生缩略图：真正 DSH 原生图片块（inputModalities 声明），非文本路径模拟。
5. 快：本地工具毫秒级；可控 VLM 调用（低信息拦截 + 智能模式”值得才调”）省轮数与耗时。
6. 只写不读 key、隐私硬门禁：API Key 以 role:'secret' 保存、只写不读不回显；隐私模式经 runtime.js 强制 isVlmConfigured()=false。

能力	picturereader	dsh-tool-vision	dsh-image-paste	dsh-vision-bridge
原生缩略图（文本模型）	✅ 视觉孪生 adapter	❌	⚠️ 部分	❌
任意 provider（含 pi-ai 系）	✅	绑定厂商	—	—
隐私模式硬门禁	✅	—	—	❌
本地像素工具链（scan/ocr/crop/palette/compare）	✅ 全内置	⚠️ 基础	❌	❌
文档转图片（pdf/word/excel/ppt）	✅	❌	❌	❌
批量/上下文验证	✅	❌	❌	❌
外部 VLM 桥（可选，OpenAI 兼容）	✅	✅	❌	✅
全离线可用	✅	⚠️	✅	❌

快速上手

# 1. 安装插件
dsh plugin --profile web add picturereader        # npm 包；或从源码: dsh plugin --profile web add .
dsh plugin --profile headless add picturereader

# 2.（推荐）安装读图方法论 skill
copy skills\image-reading.md %USERPROFILE%\.dsh\skills\          # Windows
# cp skills/image-reading.md ~/.dsh/skills/                      # macOS / Linux

# 3.（可选）增强 OCR 引擎
node scripts/setup-ocr.mjs       # PaddleOCR（发光/弯曲/游戏字更强）
node scripts/setup-rapid.mjs     # RapidOCR（轻量快速）

# 4.（可选）文档转图片依赖（需已装 LibreOffice）
node scripts/setup-doc-venv.mjs  # 建 doc_venv 装 PyMuPDF

重启 DSH Desktop 后：模型工具列表出现全部工具，设置页出现「图片阅读」卡片。

启用视觉孪生（原生缩略图）

1. 在设置页「图片阅读」勾选要作为视觉孪生的文本模型，保存后重启 DSH。
2. 模型选择器中选择对应模型的「(视觉)」变体（如 deepseek-v4-flash (视觉)）。
3. 粘贴 / 拖入图片 → 原生缩略图 → 图片块自动分析为文本证据。

使用示例

用 image_scan 看一下 <路径> 这张图，细看感兴趣的部分
（复杂场景可接着用 vision_analyze；如有文字先 image_ocr；一批图用 image_batch；
  文档用 document_to_image 逐页转成图片再看）

三模式（使用模式）

在 Web 设置 →「图片阅读」卡片顶部选择，修改即时生效。

模式	是否调用外部视觉 API	模型行为引导	适用场景
隐私模式	绝不调用（即使配置了 API）	只走本地工具：image_scan / image_ocr / image_sample / image_crop / image_palette / image_compare	敏感图片、离线、零外部流量
智能模式（默认）	允许，但先本地看图再决定	先 image_scan 快速看，文字→OCR、简单图→本地、复杂图才 vision_analyze 外呼	日常，省轮数与耗时
严谨模式	允许	自行选择路线 + 多证据交叉验证 + 细看细节	需要高准确率与可追溯的场景

隐私模式约束是 host 侧硬门禁（runtime.js）：isVlmConfigured() 在此模式下恒返回 false，vision_analyze 强制 include_vlm=false，图片桥引导也明确「只用本地工具」。

设置卡字段（图片阅读）

• 使用模式：隐私 / 智能 / 严谨（mode）。
• 启用外部视觉 API（选配）：勾选后才显示并允许调用外部视觉端点；不勾选一律走本地，图片绝不外发（vlm_enabled）。
• 勾选后显示：
  • 视觉 API Base URL（vlm_base，如 https://api.openai.com/v1 或 http://127.0.0.1:1234；留空=禁用外部 VLM）
  • 视觉模型（vlm_model）
  • 视觉 API Key（vlm_key，password+secret：只写不读，留空保持当前，填写保存即覆盖、不回显）
  • Key 环境变量（vlm_key_env，apiKey 为空时回退读取）
  • 默认 OCR 引擎（ocr_engine：windows / paddle / rapid）
• 视觉桥模型多选（vision_models）：勾选即生成该模型的「(视觉)」变体；改动需重启 DSH 生效；已勾选模型会被兜底并入列表保持打钩，与孪生注入一致。
• 高级设置（折叠）：

字段	默认	说明
vlm_timeout_ms	300000	外部视觉请求超时（毫秒）
vlm_max_tokens	8192	外部视觉最大输出 Tokens
bridge_export_dir	空（系统临时目录）	图片桥导出目录
max_image_bytes	52428800 (50MB)	单张图片读取大小上限（字节）
scan_default_size	32	image_scan 默认格子大小
scan_palette	auto	image_scan 默认色板（auto/full/basic/gray）
scan_mode	auto	image_scan 默认模式（auto/ascii/color）
ocr_language	空	OCR 默认语言（BCP-47，如 zh-Hans / en-US）
multimodal_models	空	多模态白名单（逗号分隔，这些模型直收图片不降级）
request_guard	true	请求保护（llm/stream 最后防线降级 image block）
batch_probe_first	3	image_batch 探测前几张（判断是否文字密集）
batch_ocr_limit_chars	800	image_batch 每张 OCR 截断字符数
doc_dpi	150	document_to_image 渲染 DPI
doc_max_pages	50	document_to_image 最大页数
debug	false	调试日志

环境变量

OCR（选装）

变量	默认值	作用
DSH_PADDLE_PYTHON	C:\Users\Administrator\paddle_venv\Scripts\python.exe	PaddleOCR 解释器路径
DSH_PADDLE_CACHE	D:/coding/picturereader/.paddlex-cache	PaddleX 模型缓存目录
DSH_RAPID_PYTHON	C:\Users\Administrator\rapid_venv\Scripts\python.exe	RapidOCR 解释器路径

文档转图片（选装）

变量	默认值	作用
DSH_SOFFICE	C:/Program Files/LibreOffice/program/soffice.exe	LibreOffice headless 可执行路径
DSH_DOC_PYTHON	C:\Users\Administrator\doc_venv\Scripts\python.exe	文档转换 venv 解释器路径（PyMuPDF）

外部视觉 API / VLM（可选，也可在设置卡填）

变量	默认值	作用
SEE_API_KEY / GLM_API_KEY	空	视觉 API Key（设置卡 vlm_key 优先级更高）
SEE_BASE	智谱或设置卡 vlm_base	OpenAI 兼容视觉端点
SEE_MODEL	glm-4v-flash 或设置卡 vlm_model	视觉模型名
SEE_SERVER_EXE / MODEL / MMPROJ	空	本地 llama-server 自启路径（可选）
SEE_SERVER_PORT / NGL / CTX	8080 / 20 / 16384	本地服务器参数

设置卡 vlm_base / vlm_model / vlm_key 优先于环境变量；隐私模式下即使配置也不调用。端点未写 /v1 时自动补 /v1/chat/completions。

已知限制

• DSH attachment 单图默认约 5MB：超大图片可能被宿主上传限制拦截；工具端的 max_image_bytes（默认 50MB）是读取上限。
• 原生缩略图需启用视觉孪生：文本模型默认不被 DSH 视为「支持图片」，需在设置卡勾选生成「(视觉)」变体并重启。
• WebP 暂不支持：image_scan / vision_analyze 等对 WebP 报错，请先转成 PNG / JPEG。
• 视觉桥模型勾选需重启 DSH 生效（vision_models 的改动不会热加载）。
• dsh-file-drop 需停用：其「拖入图片即注入文本」与视觉孪生/图片桥的自动分析可能冲突（重复/竞争注入），建议在对应 profile 停用；原生缩略图 + 图片桥自动分析已覆盖该需求。
• 外部 VLM 依赖网络/端点：未配置端点或离线时自动跳过并给出提示；隐私模式恒不调用。

测试情况

v3.0.3 集成测试（2026-08-20）

132/132 单元测试通过 + 13/13 文档转换测试通过 + 全功能集成测试：

功能	状态	说明
image_scan	✅	4 种格式、region/focus/px_per_cell/palette/mode 全部正确
image_ocr (windows)	✅	中英文识别正常
image_ocr (rapid)	✅	带 confidence score
image_ocr (paddle)	✅	v3.0.3 修复字段名后正常
image_sample	✅	8×8 精确像素取样
image_crop	✅	裁剪导出 PNG
image_palette	✅	主色提取 + hue families
image_compare	✅	相同/不同图片判定正确
image_batch	✅	v3.0.3 修复 cordis inject 后正常
document_to_image	✅	PDF/DOCX/PPTX/XLSX 全部正常
vision_analyze (本地)	✅	scan + OCR 证据返回正常
三模式路由	✅	privacy/smart/strict 逻辑全部正确
视觉孪生 adapter	✅	3 个 provider 激活
设置持久化	✅	vision_models / ocr_engine / mode 全部保留

v3.0.3 修复

• 视觉桥模型列表持久化修复：修复了设置页「视觉桥模型」勾选后重新打开设置丢失勾选状态的问题。根因是 settings/document-updated 事件触发 scope.load() 覆盖本地修改，改为通过 lastSavedRef 跟踪保存值，跳过同步覆盖。
• OCR 引擎/模式设置持久化修复：修复了 ocr_engine 和 mode 等 select 字段修改后重新打开设置恢复默认的问题。根因是 onSave 函数未正确处理 select 类型字段的默认值回退。
• cordis 4 兼容性修复：修复了 image-batch.js 和 doc-tools.js 中访问未声明 ctx 属性导致的报错。
• PaddleOCR 字段名修复：w/h 字段改为 width/height 以匹配 schema。
• 本地 VLM 端点检测修复：isManagedEndpoint 扩展为识别所有 127.0.0.1/localhost 地址，不再要求 API key。

开发 / 仓库布局

# DSH 版（本仓库 main，代码在 dsh/）
npm install
npm test                       # node:test
node scripts/setup-ocr.mjs     # 可选
node scripts/setup-rapid.mjs   # 可选
node scripts/setup-doc-venv.mjs# 可选（文档转换）
node scripts/preview.mjs       # 生成 fixtures 并预览渲染

• 热插拔：业务逻辑集中在 src/core.js 单文件，工具每次执行按 mtime 动态加载；工具定义（schema/描述）与设置卡改动需重启桌面端。
• ZCode 版：位于本仓库 zcode 分支（源码在 zcode/），经 MCP server 暴露工具，安装 npm install picturereader-zcode。两版共用 src/core.js 与读图方法论 skill。

License

MIT