dsh-attachment-formats — 附件格式扩展（Codex 风格兼容）

   

让 DeepSeek Harness Web 的输入框像 Codex 一样接收更多文件格式。不改动任何 核心包：纯插件实现，沿用 Harness 原生的图片草稿栏、上传限额校验、历史渲染 与模型请求管道。

English | 中文

支持的格式

文档卡片（Codex 式挂载，输入框保持干净）

拖入/选择的文本类附件不会塞进输入框：内容挂成输入框上方的一枚文档卡片 （文件名 + 字符数 + 全文/索引标签，可单独移除），图片照旧进原生图片草稿栏。 你正常在输入框打字提问，发送瞬间插件把卡片内容并入消息（带 [附件: 文件名] 出处标记）再走原生提交——提问位置永远在最上面，内容也 一字不丢：

• 卡片条自带发送按钮：只挂文档不输入文字也能一键发出；
• 按 Enter / 点原生发送按钮：卡片自动并入后再提交；
• 模型忙于回复时不会合并（卡片保留，稍后再发）。

长文档（索引卡模式，永不静默截断）

超过 8 万字符的文本、多页长 PDF：不塞进消息，而是

1. 主机端转存到会话工作区 .dsh-attachments/<sha-16>/（内容寻址，重复拖入 复用；约 7 天未访问自动清理）： - doc.md —— PDF 文字层按页组装（页首 <!-- pN --> 页码标记）、 Office 提取文本、长文本原样（长 JSON 自动格式化落盘为 doc.json）； - pages/pNN.png —— 页面渲染图（≤100 页，视觉模型用 read_image 补充 查看版式/图表；惰性生成，只有走索引卡路径才渲染）； - manifest.json —— 来源、页数、行数、字符数、引擎、完整源文件 SHA-256 与转换策略指纹（换引擎/OCR/doc-server 自动让旧缓存失效）； - INDEX.md（缓存根）—— 本工作区全部已转存文档的聚合清单。 2. 消息里只挂一张几百 token 的索引卡片：页/行/字符数、大纲（PDF 标题粗检、 md 标题、JSON 第一层键树）、以及读取指引。 3. 模型用 DSH 现成 read 工具分页读取（offset/limit，行号即出处坐标）—— 总结全文就逐段读完（不丢尾部），查细节就按大纲跳读；缺内容时是显式的 工具失败，不会静默丢失。

设计取舍与业界取证见 docs/design-longdoc.md；同类作品比对见 docs/alternatives.md。

引擎与 OCR（v3）

• PDF 文本引擎：auto（默认）→ ≤40 页用 venv 内 pymupdf4llm（表格/标题

高保真），更大文档或 venv 缺失时 pdfjs（秒级）。env：`DSH_ATTACH_ENGINE=

auto|python|builtin`。

• 扫描件 OCR：百度云 API（见下）→ python（PyMuPDF，需系统

tesseract）→ tesseract.js（纯 JS，首次使用下载 eng/chi_sim 语言包 ~24MB 缓存到 vendor/tessdata/）。置信度 <45 时自动回退页面图并说明原因。

env：DSH_ATTACH_OCR=auto|baidu|tesseract-js|off。

保真度与格式覆盖

• DOCX 表格：mammoth HTML → turndown + GFM 插件，表格保留为 Markdown

管道表（替代旧的逐单元格阅读顺序输出）。

• TIFF：sharp（libvips 预编译）解码为 PNG 页，支持多页（单文件 ≤20 页）。
• epub / odt / rtf：pandoc（PATH 探测）转 Markdown；无 pandoc 时 epub/odt

走进程内 jszip + turndown 兜底，rtf 给出明确安装提示。

• 旧 .doc / .xls / .ppt：LibreOffice headless（探测 PATH 及 Windows 常见

安装路径）先转现代 OOXML，再走标准 Office 管线；每次转换使用独立 UserInstallation profile 避免锁冲突。

• PDF 大纲：书签目录（get_toc / pdfjs getOutline）优先作为索引卡大纲，

字号启发式仅作回退；无书签的 PDF 行为不变。

云端 OCR 与内容自适应引擎（零重量级新依赖）

• 百度 OCR API（扫描件识别首选，免费额度：通用文字识别标准版/高精度版

个人认证 1,000 次/月、企业 2,000 次/月，官方免费额度页数据）：页面以 JPEG 经纯 HTTPS 上传——零新增依赖。通过环境变量配置： - BAIDU_OCR_API_KEY / BAIDU_OCR_SECRET（百度智能云控制台 → 文字识别 → 创建应用获得）；

- DSH_ATTACH_OCR=auto|baidu|tesseract-js|off（auto = 有凭据即用百度，

否则本地 tesseract.js）； - DSH_ATTACH_OCR_ACCURATE=1 使用高精度版（独立免费额度）。 配额耗尽/调用失败 → 自动回退本地 tesseract.js 并注明；强制 baidu 模式 则直接说明原因。

• 远程 VLM OCR（可选，按 token 计费）：DSH_ATTACH_VLM_BASE /

DSH_ATTACH_VLM_MODEL（可选 DSH_ATTACH_VLM_KEY）指向任意 OpenAI 兼容 视觉端点（olmOCR-2、GLM-4V、Qwen-VL…），逐页经 chat/completions 转录。 OCR 链路：百度 → VLM → tesseract.js（DSH_ATTACH_OCR=vlm 可强制）。

• 内容自适应 PDF 引擎：41–160 页的文档由 python 引擎按向量密度（采样

get_drawings）自行决策——纯文字手册跳过耗时的高保真转换直走 pdfjs 快速 引擎；表格/图形密集文档仍走 pymupdf4llm。≤40 页行为不变。

外部解析服务、缓存管理页与工作区零拷贝

• 外部文档解析服务（可选）：DSH_ATTACH_DOC_SERVER=<base URL> 指向解析

服务（PP-StructureV3 paddleocr serve、MinerU 或任意包装网关）。契约： POST {base}/convert multipart 字段 file → { "ok": true, "markdown": "..." }。 配置后 PDF 优先走服务，任何失败自动回落本地引擎链。

• 附件缓存设置页：设置 → 附件缓存，列出全部已转存文档（规模/引擎/时间），

支持逐条删除与全部清空；数据源 GET /api/attach-formats/cache、 POST .../cache/delete、POST .../cache/clear。

• 工作区零拷贝：512KB～16MB 的文本文件先做工作区同源解析——浏览器本地读

完整文件算出 SHA-256，再经 GET /api/attach-formats/resolve 让主机按 「文件名 + 字节数 + 完整 SHA-256」确认同源文件（~2.5s 限时、跳过依赖目录）。 命中则挂 📎 引用卡片——不上传内容（只传文件名、大小与哈希，为算哈希 本地会读一遍文件），模型用 read 工具直接读该路径；未命中回落常规上传转存。 超过 16MB 直接拒绝，不再尝试零拷贝。

上下文自适应与全文命令（v2b）

• 自适应并入上限：客户端读 token-meter 的 contextPressure 投影

（模型上下文窗口 × 当前占用），全文卡片并入上限 = min(8 万字符, 余量×1.5)—— 余量不足时自动转索引卡并在状态条说明，从源头杜绝"并入顶爆上下文被 API 静默截尾"；投影缺失时回退固定 8 万阈值。

• /attach 命令（输入框斜杠菜单，主机端注册）：

- /attach list —— 列出本工作区已转存文档（id/名称/规模/引擎）；

- /attach full <id|名称> —— 把全文作为 next-step 消息并入模型上下文

（下一条消息生效，不打断当前对话）；上限 30 万字符，超限显式截断 说明，绝不静默丢内容。之后仍可用 read 工具按行精读定位。

交互入口

• 回形针按钮：输入栏工具行（conversation.input.left），打开文件选择器，

支持多选；accept 列表覆盖上表全部格式。

• 拖放：把 PDF / Office / 文本文件直接拖到页面任意位置。
• 粘贴：复制文件后 Ctrl+V 到输入框（或整页粘贴）。

原生图片拖放/粘贴仍由 Harness 内建管线处理；只要一次拖放里混入其它格式， 本插件接管整个批次（先转换，再以「合成 drop」把产出的图片交还给内建草稿栏）。

架构

projects/dsh-attachment-formats/
├── lib/
│   ├── index.js          # 主机半区：POST /api/attach-formats/convert + 引擎路由
│   ├── client.js         # 浏览器半区：按钮/拖放拦截/合成 drop/文本注入/状态条
│   ├── cache.js          # 工作区 .dsh-attachments 落盘/manifest/INDEX.md/清理
│   ├── py/pymupdf4llm_convert.py  # venv 高保真引擎（子进程调用）
│   └── convert/
│       ├── util.js       # 魔数嗅探（pdf/tiff/OLE/rtf/zip）、base64、文本截断
│       ├── provider.js   # 引擎/二进制探测（venv python、pandoc、LibreOffice）+ 子进程桥
│       ├── pdftext.js    # pdfjs 文字层提取：行组装/页眉页脚去重/书签目录
│       ├── outline.js    # md 标题大纲、JSON 第一层键树
│       ├── ocr.js        # tesseract.js OCR（traineddata 下载缓存/置信度）
│       ├── pdf.js        # pdfjs-dist + @napi-rs/canvas → PNG/JPEG 页
│       ├── docx.js       # mammoth HTML → turndown+GFM → Markdown（表格保留）
│       ├── xlsx.js       # exceljs → 制表符文本
│       ├── pptx.js       # jszip + a:t 文本运行 → 每页文本
│       ├── tiff.js       # sharp（libvips）→ PNG 页
│       ├── pandoc.js     # pandoc → Markdown + epub/odt zip 兜底
│       └── libreoffice.js # 旧 .doc/.xls/.ppt → 现代 OOXML
├── .venv/                # （可选）pymupdf4llm 高保真引擎（setup 生成，不入库）
├── vendor/tessdata/      # OCR 语言包缓存（首次使用下载，不入库）
├── docs/                 # design-longdoc.md / alternatives.md / upgrade-v6.md
├── scripts/smoke-*.mjs   # 五套离线冒烟（转换器/路由/客户端/OCR/P0）
└── cordis.patch.yml

• 主机路由重新嗅探魔数，不信任客户端声明的 kind；请求体 160MB 上限、单文件

64MB 上限；cwd 由客户端从会话状态读取后随请求上报（决定缓存落盘位置）。

• 分级阈值：全文卡片并入上限 8 万字符（v2b 按上下文余量自适应压低）；缓存

页图 ≤100 页（1100px 宽，PNG 超单图字节预算回退 JPEG）；扫描件页图上限 沿用部署限额；OCR 单次 ≤20 页（2000px 宽），置信度 <45 回退页面图。

• 文档卡片内容在发送瞬间经 DOM 事件桥合并进 React 受控输入框（与原生提交

同路径）；图片路径完全独立、不受影响。

• 转换进度/错误显示在输入框上方的临时状态条（conversation.input.dock），

成功 6 秒后自动消失，错误可手动关闭。

安装

从 GitHub 安装（推荐）：

dsh plugin --profile web add github:linkingoscar/dsh-attachment-formats

本地开发安装：

cd path\to\dsh-attachment-formats
npm install            # 安装主机端依赖（首次）
# 可选：高保真 PDF 引擎（pymupdf4llm，venv 自包含）
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install pymupdf4llm
npm run smoke          # 离线冒烟测试（可选）
dsh plugin --profile web add link:path\to\dsh-attachment-formats

重启 dsh web（关闭页面 → 快捷方式自动重启，或重新运行 dsh web），刷新 浏览器页面后生效。OCR 语言包在第一次识别扫描件时自动下载（约 24MB，缓存于 vendor/tessdata/，之后离线可用）。

已知限制

• OCR（tesseract.js）对低清扫描件、复杂表格质量有限；置信度不足会自动回退

页面图并明确说明，绝不注入乱码文本。更高质量 OCR（RapidOCR/MinerU/ PaddleOCR）可作为后续可插拔后端（见 docs/upgrade-v6.md）。

• pymupdf4llm 高保真引擎仅处理 ≤40 页 PDF（更大用 pdfjs 快速引擎）；表格/

公式重建质量好但仍非排版级还原，版式细节可用页面图对照。

• 无文本层且 OCR 不可用/失败的扫描件只能走页面图（视觉模型可用）。
• 旧 .doc/.xls/.ppt 需要 LibreOffice（soffice）；rtf 需要 pandoc；

epub/odt 开箱即用，但装有 pandoc 时保真度更高。缺失的二进制会给出 明确可操作的错误——绝不静默丢弃。

• DOCX 的公式与内嵌图片不提取（表格、标题、正文保留）。
• XLSX 只输出「显示文本/结果」，图表、批注不提取。
• 大纲优先用书签目录；无书签的 PDF 回退字号启发式（对无标题样式的文档较弱），

索引卡仍提供行数/页数与读取指引。

• iWork、压缩包等暂不转换。
• 附件归属当前对话：文本/文档卡片一定落在你正在看的这个对话框（按 shell

的「当前会话」解析，不再依赖插槽渲染顺序）。转换出的页面图片走 Harness 原生 drop 管线——当前会话回复中时会暂时拒绝 drop，插件会等它空闲再投喂； 若同时开着多个对话，其它空闲的对话也可能接住同一合成 drop（Harness 层面的行为，插件无法圈定范围），建议附图片时只开一个对话（文本/代码文件 不受影响，始终留在当前对话）。

• 文档卡片的"发送时合并"走 DOM 事件桥接到 React 受控输入框，属于对

Harness 未公开 API 的适配；核心包升级后若失效，症状是「卡片内容没进 消息」，此时可用卡片条的发送按钮兜底（合成 Enter 路径），图片路径 始终不受影响。

发布版本

• v0.6.4

（最新）—— 会话归属正确与零拷贝校验：附件按 shell 当前会话归属（不再出现 卡片/图片跑到别的对话框）；转换图片等当前会话空闲再投喂；工作区零拷贝改 「文件名 + 字节数 + 完整 SHA-256」同源确认（杜绝同名同大小静默替换）， >16MB 直接拒绝；INDEX 单元格转义、重建按工作区串行化；缓存命中保留 source 口径字段；旧版 Office manifest 标注 libreoffice+builtin 引擎。

• v0.6.3

—— 缓存生命周期加固：v0.6.1 的 8-hex 遗留缓存目录在清理/清空时 一并扫除（不再有不可见孤儿）；JSON 转存区分源文本与落盘产物尺寸（分流 按产物口径）；缓存命中降级为索引卡时惰性补齐页面图；INDEX.md 改由合法 manifest 全量重建（无 ghost 行、转存时间列修复）；旧版 .doc/.xls/.ppt 缓存键改用原始 OLE 字节，命中直接跳过 LibreOffice；manifest/INDEX 原子写。

• v0.6.2

—— 缓存正确性与快路径：缓存目录 16 hex + manifest 存完整 SHA-256；转换策略指纹（换引擎/OCR/doc-server 自动让旧缓存失效）；索引卡 命中时按结构化 metadata 用当前文件名重建（不再串名）；TTL 纳入模型直接 read 的文件访问时间；页面图惰性生成（干净小 PDF 不再被整本光栅化拖慢）； 2–16MB 文本可走主机转存不再被拒；消除 React key 警告；Node >=20；CI actions 升级 v7。

• v0.6.1

—— 正确性与工程化修复：附件条崩溃修复（useCallback 引用缺失）、 转换器不再预截断（端到端恢复「永不静默截断」）、路由统一以会话派生的 工作区为准、XLSX 空列坐标修复、按源文件哈希命中的真转换缓存、TTL 以最后 访问时间为准、合并进草稿时回读校验；新增 ESLint、CI（Node 20/22）与 组件级冒烟测试。

• v0.6.0

—— 保真度与格式覆盖（DOCX 表格、TIFF、epub/odt/rtf、旧版 Office、 PDF 书签大纲）、百度 OCR + 远程 VLM OCR + 外部文档解析服务、内容自适应引擎、 附件缓存设置页、工作区零拷贝引用。

• v0.5.0

—— 文档卡片、索引卡转存、/attach list|full、自适应并入上限、

pymupdf4llm/pdfjs 引擎、tesseract.js OCR。

License

[Apache-2.0](LICENSE) © 2026 linkingoscar