dsh-vision-toolkit 是什么？给 DeepSeek Harness 纯文本模型加视觉

dsh-vision-toolkit 是 DeepSeek Harness（DSH）生态首个全面视觉工具插件：它给纯文本模型装上一双「眼睛」，用 10 个视觉工具加一套 vision-skills 技能，完成图像问答、长截图 OCR、UI 还原、像素对比、定位裁剪等视觉任务。 本文介绍 dsh-vision-toolkit 是什么、核心功能、完整的安装更新卸载命令、典型用法与常见排错，帮你给 DSH 的文本模型补上视觉能力。

dsh-vision-toolkit 是什么？

dsh-vision-toolkit 解决「纯文本模型看不懂图像」的问题：它是 DSH 生态中首个全面视觉工具插件，让模型能粘贴图片直接提问、识别截图内容、还原前端 UI，并执行像素对比、定位裁剪等 GUI 视觉任务。 以下定位与事实均来自官方 README（来源）：

dsh-vision-toolkit（GitHub 仓库 Anionex/dsh-vision-toolkit）由 Anionex 维护，MIT 协议开源，上游是 agent-vision-toolkit。它是 agent-vision-toolkit 的 DSH 原生集成，把「读取、定位、裁剪、矢量化、重建、验证」的视觉工作流带进 Web 与 Headless Profiles。在 DSH Web 中粘贴图片会自动把纯文本模型切换到带 (Vision Toolkit) 标记的视觉变体，原生缩略图、会话历史与工作区路径保持不变，还能预览工件；Headless 模式通过 read_image、OCR 等工具调用视觉能力。它是 DSH Plugin 生态中开箱即用的视觉工具插件，界面支持中英文。

dsh-vision-toolkit 的核心功能有哪些？

核心能力围绕「10 个视觉工具、focus hint 机制、vision-skills 技能、透明路由、隔离 Python 运行时」五件事展开，一次配置后粘贴图片即可使用。 以下能力均来自官方 README（来源）：

• 图像问答与多图比较：vision_glance 回答「图里是什么、哪里报错」等问题，支持一次比较多张图片。
• 长截图 OCR：vision_long_screenshot_ocr 识别超长截图，输出 Markdown、分块结果、元素清单与审计信息。
• UI 还原：从截图还原前端 UI，生成 UI 代码或结构描述，辅助界面开发与测试。
• 像素对比：vision_pixel_diff 输出差异百分比、排序差异区域、热力图与 JSON。
• 定位与裁剪：vision_ground 返回原始像素坐标 x1,y1,x2,y2（可选 boxed 预览），vision_crop 裁剪 PNG/JPEG，vision_trace 矢量化成 SVG。
• 透明路由：粘贴图片自动切换到 (Vision Toolkit) 视觉变体，无需手动切模型，会话历史与工作区路径保持不变。

怎么安装与启用 dsh-vision-toolkit？

安装用一条 npm 命令装进 DeepSeek Harness Web profile，重启后到设置里配置视觉提供方并测试模型，然后粘贴图片或调用 /vision-skills 即可使用。 安装、更新与卸载命令均来自官方 README（来源）：

1. 安装：推荐从 npm 安装稳定版到 Web profile：

dsh plugin --profile web add @anionex/dsh-vision-toolkit

Headless 与 Desktop 分别使用对应 profile：

dsh plugin --profile headless add @anionex/dsh-vision-toolkit

2. 启用：重启 Web Profile 后打开 Settings → Vision Toolkit，配置视觉提供方（如 Gemini 3.7 Flash），点 Test vision model 验证；首次启动会准备隔离 Python 运行时——优先用系统 Python 3.11+，否则下载约 35 MB 独立 Python 并从镜像安装 Pillow、NumPy、vtracer。

3. 更新：重新运行同一条 add 命令并指定最新版（update 到最新版）：

# update to latest
dsh plugin --profile web add @anionex/dsh-vision-toolkit@latest

4. 卸载：从 Web profile 移除：

dsh plugin --profile web remove @anionex/dsh-vision-toolkit

dsh-vision-toolkit 典型用法

装上并配好视觉提供方后，粘贴图片或调用视觉技能就能让模型看图干活：日常问答、长截图 OCR、UI 还原、像素对比、定位裁剪都通过工具自动完成。 以下用法示例均来自官方 README（来源）：

1. 粘贴图片直接提问：粘贴截图并提问「这张截图里哪里报错？」，模型自动切换到视觉变体并调用 vision_glance 定位证据；支持一次比较多张图片。

2. 调用视觉技能：使用 /vision-skills 让模型从五套 playbook（长截图 OCR / UI 还原 / 图形还原 / 结构还原 / GUI 操作）里选择合适的流程：

/vision-skills

3. 长截图 OCR：对整屏长截图做文字识别，让模型用 vision_long_screenshot_ocr 输出 Markdown、分块结果与元素清单：

请对这张长截图做 OCR，输出 Markdown，并列出所有按钮和表单元素

4. UI 还原：把设计稿或界面截图还原成前端 UI，让模型按 UI 还原 playbook 生成代码或结构描述：

根据这张截图还原成前端 UI，输出对应的 HTML 结构

5. 像素对比：回归测试中对比两张截图，用 vision_pixel_diff 得到差异百分比、差异区域排序与热力图：

对比这两张截图，输出差异百分比和差异区域

6. 定位与裁剪：让 vision_ground 返回原始像素坐标（x1,y1,x2,y2），再用 vision_crop 裁剪局部：

定位截图里的报错弹窗，并裁剪出来

dsh-vision-toolkit 常见问题与排错

最常见的 dsh-vision-toolkit 问题集中在四个地方：视觉 API 返回结构不兼容、粘贴图片仍提示不支持、429 限流、首次运行环境准备失败。 以下排错要点均来自官方 README（来源）：

1. 报「Vision API returned an incompatible response structure」：症状 = 配置后调用视觉工具报结构不兼容；原因 = baseUrl 缺少 /v1 路径前缀，例如 LM Studio/Ollama 需写成 http://127.0.0.1:1234/v1；解决 = 在配置里补全 /v1 前缀后重试。

2. 粘贴图片仍提示不支持：症状 = 粘贴图片后模型仍说无法处理图片；原因 = 未重启或路由未生效；解决 = 重启 Web Profile、确认路由带 (Vision Toolkit) 后缀，或把图片放进工作区后调用 /vision-skills。

3. 视觉 API 返回 429：症状 = 请求被限流；原因 = 端点配额不足；解决 = 等待 Retry-After 时间后重试，或换用自己的端点。

4. 首次运行时设置失败：症状 = 首次启动环境准备报错；原因 = 网络或磁盘异常，无法获取独立 Python；解决 = 检查网络与磁盘，安装系统 Python 3.11+，或在配置里指定 runtime.python。

适用场景与注意

dsh-vision-toolkit 适合所有需要让 DeepSeek Harness 处理图像的场景：看图问答、识别截图、还原 UI、对比像素、定位元素，一次配置后 Web 与 Headless 都能用。 以下场景与限制均来自官方 README（来源）：

• 适用场景：测试与开发时粘贴报错截图直接定位问题；对长截图批量 OCR 提取信息；从设计稿还原前端 UI；回归测试中对比两张截图的像素差异；用 GUI 操作 playbook 指导模型操作界面。
• 注意事项：透明路由默认开启，可在高级设置「Transparent variant routing」关闭以恢复显式变体条目；每次调用只发送必要意图与图像、上下文不跨调用累积，成本小；可本地部署 Gemma 4、Qwen 3.5/3.6 等小多模态模型进一步降本；自签证书或 MITM 场景可设 VISION_SSL_VERIFY=0；HTML 截图工具需要系统安装 Chrome/Chromium/Edge，缺省时其余工具不受影响。

项目链接

dsh-vision-toolkit 是 Anionex 维护的 MIT 开源项目。

插件详情：dsh-vision-toolkit 插件详情。

本页是基于该插件官方 README 独立重写的导读——权威文档和最新变更请以源头为准：Anionex/dsh-vision-toolkit。插件是安装时就在你机器上运行的第三方代码；收录不代表背书——安装前请自行审阅源码。