dsh-vision-resident


DeepSeek Harness 的常驻视觉子代理插件：一个住在宿主进程里的视觉助手，让纯文本主模型（如 DeepSeek）也能"看"图——粘贴图片自动转译、随时调用识别/验收、像对话一样记住上下文。

• 零子代理开销：视觉模型直连（ctx.llm.stream），每次识别只是一次 LLM 推理，没有 agent 上下文初始化成本
• 常驻对话：视觉子代理有自己的持续上下文（记住看过的图与识别结果），追问不重发图片
• 按会话隔离：每个 DSH 对话拥有独立的视觉历史、上下文与计数，互不串扰
• 跨重启持久化：识别历史与转译缓存落盘，重启不丢、不重复转译
• 归档联动：主会话归档后，对应视觉记录自动清除

截图

输入框常驻胶囊

平时是一个融入输入框工具行的小胶囊，实时显示视觉子代理状态（工作中/空闲）、模型名称、本对话识别次数；点击打开详情页：


子代理详情页（折叠式对话史）

每张图一次识别 = 一条折叠条目：序号 + 图片缩略图 + 一句话概况；点击展开看完整识别过程（指令 / 思考过程 / 输出）。头部有「← 返回主对话」，Esc / 点背景关闭：


功能

1. describe_image / subagent_vision 工具：读磁盘图片 → 视觉模型 → 文字结果。用于截图验收 / UI 审查 / OCR / 看图问答。省略 image_path 即可纯文字追问——基于视觉子代理自己看过的图直接回答。 2. 粘贴图片自动转译（llm/stream 钩子）：聊天里粘贴图片照常显示；发送时若当前模型不支持图片，自动调视觉模型转成文字注入请求（描述不进会话、不显示）；模型本身支持图片则原样透传。read_image 等工具放在 tool-result.content 里的内嵌图片也会被正确转译。 3. 常驻会话记忆：按 DSH 对话隔离，最近 10 轮识别（指令 + 结果文字）作为上下文，追问不重发整图、不重复识别。 4. 状态胶囊 + 详情页：输入框左端小胶囊 + 全屏折叠式对话史（序号 / 缩略图 / 概况 / 展开详情）。 5. 生命周期管理：会话上限 40（LRU）、闲置 30 天清理、主会话归档 30 秒内清除对应记录。

安装

# 方式一：clone 到本地后挂进 profile
git clone https://github.com/AnnanRen/dsh-vision-resident.git
ln -s "$PWD/dsh-vision-resident" ~/.dsh/profiles/node_modules/dsh-vision-resident
# 在 ~/.dsh/profiles/web/cordis.patch.yml 的 insert 列表加：
#   - id: dsh-vision-resident
#     name: dsh-vision-resident
# 重启 dsh web

配置

视觉模型

默认使用 opencode-go/mimo-v2.5（主）与 opencode-go/minimax-m3（回退），同一供应商。可用环境变量覆盖：

export VISION_PROVIDER=opencode-go          # 视觉模型 provider
export VISION_MODEL=mimo-v2.5               # 视觉模型 id
export VISION_FALLBACK_MODELS=opencode-go/minimax-m3  # 回退链（逗号分隔）

粘贴准入（纯文本主模型）

Harness 在 API 代理层按选中模型的 input 声明做图片准入检查。要让纯文本主模型（如 deepseek-v4-flash）能粘贴图片，需在 ~/.dsh/settings.yaml 里给它声明 input: [text, image]；它真实端点是纯文本的，本插件会强制转译（deepseek-v4-flash / deepseek-v4-pro 内置在 force-convert 名单，可用 AUTO_VISION_FORCE_MODELS 追加），原图绝不直送上游。

已知限制

• 会话里已有图片时切换到不支持图片的模型会被 Harness 拒绝（model-unavailable，安全特性）——需要切换请开新会话。
• 当前提示词带图时工具会被剥掉（避免弱模型反射性搜文件），"看图 + 同时用工具"分两步即可。
• 历史上下文只带文字（不带历史图片）：实测多图请求在部分端点上不稳定，且历史识别结果已是完整文字描述，足够支撑追问。

许可证

[MIT](LICENSE)