DSH-dseyes 给 DeepSeek Harness 装上「眼睛」

   

中文 | [English](README.en.md)

DSH-dseyes 让 DeepSeek Harness 的纯文本模型（DeepSeek）拥有原生图片上传体验：

在 Web GUI 聊天框里粘贴或拖入一张图片，可以像正常 AI 聊天那样： 1. 图片作为附件显示缩略图（聊天历史里保留原图，可点击放大）； 2. 发送后，host 端自动用智谱 GLM 免费视觉模型（glm-4v-flash → glm-4.6v-flash → glm-4.1v-thinking-flash 自动降级链）识别图片内容； 3. DeepSeek 收到的是图片的文字描述——它会基于图片内容直接回答你。

不需要任何额外命令、不需要手动转文字、不需要改模型。

> 原理：DSH 原本在 session.prompt 的图片准入检查里会拒绝带图消息（DeepSeek 适配器声明 inputModalities: ["text"]，报 MODEL_DOES_NOT_SUPPORT_IMAGES）。DSH-dseyes 在 host 端做两件事： > 1. 放行准入——让图片以附件形式真正进入会话（所以缩略图、历史、点击放大全都正常）； > 2. LLM 调用前自动替换——在消息发给 DeepSeek 之前，把图片内容块替换成 GLM 读图后的文字描述。DeepSeek 永远只收到文字，但会话里保留原图。

特性

• 🖼️ 原生上传体验：粘贴/拖拽图片 → 缩略图附件 → 发送 → DeepSeek 直接理解图片内容。
• 🆓 零成本：智谱 glm-4v-flash 是免费模型，注册即用。
• 🔒 Key 不落地浏览器：GLM API key 只存在本机环境变量 / secrets 文件里，由 host 端持有。
• 🔁 自动降级链：主模型失败自动依次尝试 glm-4.6v-flash、glm-4.1v-thinking-flash。
• 🗂️ 图片留档：原图保存在会话里（缩略图 + 点击放大），文字描述用于模型理解。
• ⚡ 结果缓存：同一张图多次出现在上下文时复用第一次的读图结果，不重复消耗。
• 🩺 一键自检：GET /dsh-dseyes/diag 返回 key 与智谱连通性。

安装

前提

一个智谱 GLM API key（免费）：

1. 注册/登录 open.bigmodel.cn； 2. 「API Keys」→ 新建并复制（格式 id.secret，glm-4v-flash 免费，无需付费）。

配置 key（任选其一，优先级从高到低）：

# 方式 1：进程环境变量
set GLM_API_KEY=你的key          # 当前会话
setx GLM_API_KEY "你的key"       # 永久（Windows 用户级）

# 方式 2：secrets 文件（与 dsh-media-skills 共用，推荐——立即生效）
# 新建 %USERPROFILE%\.dsh\secrets\media-tools.env，内容一行：
GLM_API_KEY=你的key

> 兼容：ZHIPU_API_KEY 与 GLM_API_KEY 等价；Windows 上还会实时读注册表 > HKCU\Environment\GLM_API_KEY。

安装插件

# 推荐：从 npm 一键安装（已发布为 dsh-dseyes）
dsh plugin --profile web add dsh-dseyes

# 或本地开发：把本仓库目录加入 profile
cd %USERPROFILE%\.dsh\profiles\web
pnpm add "file:D:\路径\DSH-dseyes"
# 然后在 package.json 的 dsh.profile.bundles 里追加 "dsh-dseyes"

然后重启 DSH Web GUI（完全退出并重新打开）。

使用

1. 在聊天输入框粘贴（Ctrl+V）或拖入一张图片——输入框上方出现缩略图附件栏。 2. 输入问题（可选），按发送。 3. DeepSeek 会自动理解图片内容并回答。

聊天历史里保留原图（点击可放大查看）。

实际效果

粘贴一张动漫插画，问「这张图里是什么？」：

🖼️ [图片附件缩略图] 这张图里是什么？请简要回答

🤖 DeepSeek：
根据图片描述，这是一张像素风格的动漫插画，主体是一个蓝发双马尾的可爱女孩，
她睁着大眼睛、表情可爱，正在吃一个黄色的食物（可能是冰淇淋或蛋糕）。
她位于画面中央，服装以白色和黑色为主、带金色小装饰，衣服上有一个小鲸鱼图案。

> 图片本身作为附件保留在聊天历史中（可点击放大），DeepSeek 基于 host 端 > GLM-4V-Flash 自动生成的图片描述回答——你感知不到中间的读图过程。

故障排查

读图失败时（比如没配 key），DeepSeek 收到的消息会包含 [图片内容无法识别：原因] 说明文字，对话不会中断。想自查 key 与智谱连通性，本机浏览器打开：

http://127.0.0.1:<dsh端口>/dsh-dseyes/diag

返回示例：{"ok":true,"diag":{"keyFound":true,"apiStatus":200,"apiOk":true}}

工作原理

用户粘贴/拖拽图片
      │  (Web GUI 原生：缩略图附件)
      ▼
session.prompt（带 image part）
      │  ┌────────────────────────────────────────────┐
      │  │ DSH-dseyes（host 半）                       │
      │  │ ① patch llm.resolveModelInfo               │
      │  │    → 模型声明支持 image → 准入放行          │
      │  │    → 图片保存进会话（缩略图 + 历史）        │
      │  │ ② patch llm.streamWithRegistration         │
      │  │    → LLM 调用前把 image block               │
      │  │      换成 GLM-4V-Flash 读图文字             │
      │  └────────────────────────────────────────────┘
      ▼
DeepSeek 收到纯文本描述 → 基于图片内容回答

• 图片进会话：patch llm.resolveModelInfo 让路由模型声称 inputModalities: ["text","image"]，DSH 的图片准入（session.prompt）因此放行，图片被 durable 保存并显示。
• 读图替换：patch llm.streamWithRegistration（llm.stream 与 prepareCall().stream 的共同咽喉），在每次 LLM 调用前把消息里的所有图片内容块替换成 GLM 读图文字（【图片内容】…），替换失败降级为说明文字，对话不中断。

开发 / 构建

npm install        # 或 pnpm install（安装 rollup 构建依赖）
npm run build      # 产出 lib/index.js
npm run watch      # 监听改动自动重建

配置项

隐私

• 图片只发送给智谱官方 API（open.bigmodel.cn），用于识别内容。
• Key 永不写入本仓库、不进入浏览器。
• 读图结果只在模型请求中使用，不上传任何第三方。

License

MIT