DSH Vision Suite

面向 Windows 的 DeepSeek Harness 视觉能力套件，插件包名为 <code>dsh-vision-workbench</code>。它在保留官方 <code>deepseek-official</code> 文本路由的同时，为 DeepSeek 增加图片理解、OCR、截图裁剪、像素差异比较、主色提取和安全网页截图能力。

DeepSeek 继续负责推理。只有调用远程视觉工具时，插件才会把用户选定的图片发送给已配置的 OpenAI-compatible 视觉模型。

插件能力

插件还提供：

• 支持 PNG、JPEG 和 WebP。
• 图片附件使用持久 ID，工具结果可随会话保存和回放。
• 支持一个主视觉 Provider 和最多三个顺序后备 Provider。
• Provider 失败时执行有限回退，并通过冷却机制避免持续请求故障端点。
• 支持图片数量、文件大小、像素数、工作像素、超时和缓存限制。
• API Key 通过 Harness Credentials 保存，不写入插件配置、日志或页面响应。
• 可为插件请求单独配置 HTTP/HTTPS 代理，不修改全局网络设置。
• Sharp、Tesseract.js 和浏览器能力均按需加载。

配置入口

插件安装后默认保持关闭，不会自动接管模型路由，也不会自动发送图片。

推荐使用 DeepSeek Harness 原生配置页面：

1. 启动安装了本插件的 Web Profile。 2. 打开“设置 → 插件 → 插件配置”。 3. 点击 <code>Vision Workbench</code> 展开全部配置项。 4. 填写文本模型、视觉 Provider 和 API Key。 5. 打开“启用插件”，保存配置。 6. 重启当前 Profile，使路由和工具配置生效。

API Key 密码框为空时会保留已经保存的密钥。页面刷新后不会回显密钥，只会显示对应凭据是否已经配置。

API Key 官方入口

下面这些服务都提供官方 API Key，并有可通过 OpenAI-compatible Chat Completions 接收图片的模型。实际可用模型、额度和区域限制可能变化，请以服务商官网当前信息为准。

在插件中配置时：

1. 把表格中的地址填入 <code>visionProvider.baseURL</code>。 2. 从服务商官网复制一个支持图片输入的模型 ID，填入 <code>visionProvider.model</code>。 3. 为该服务设置独立的 <code>credentialRef</code>，例如 <code>OPENAI_VISION_KEY</code> 或 <code>OPENROUTER_VISION_KEY</code>。 4. 把真实 API Key 粘贴到对应 Provider 卡片的密码框中，不要写入 YAML、截图、Issue 或日志。

同一个服务商可能同时提供纯文本模型和视觉模型。选择模型时必须确认它支持 <code>image_url</code> 图片输入以及 <code>/chat/completions</code> 接口。

最小可用配置

第一次使用只需要配置以下内容：

保存并重启 Profile 后，在模型选择器中选择：

~~~text DeepSeek + Vision Workbench / <配置的 DeepSeek 模型> ~~~

随后上传图片并直接提问，例如“识别这张截图中的文字”或“比较这两张图片的布局差异”。

基础配置

视觉 Provider

主 Provider 位于 <code>visionProvider</code>，后备 Provider 位于 <code>fallbackProviders</code>。

<code>baseURL</code> 中不能嵌入用户名、密码或 API Key。远程服务必须兼容 OpenAI <code>/chat/completions</code> 的 <code>image_url</code> 内容格式。

Provider 回退

最多可以配置三个后备 Provider，插件会按照列表顺序逐个尝试，不会并发把图片发送给多个端点。

总超时 <code>timeoutMs</code> 应大于单次超时 <code>attemptTimeoutMs</code>，否则可能没有足够时间尝试后备 Provider。

图片限制与缓存

本地图片处理

本地裁剪、截图比较和调色板提取依赖可选的 Sharp 后端。

<code>vision_compare</code> 要求两张截图尺寸完全相同。插件不会自动缩放或对齐图片，以免掩盖真实布局变化。

本地 OCR

<code>vision_ocr</code> 默认使用远程视觉 Provider。只有明确选择 <code>backend="local"</code> 时，才会进入本地 Tesseract OCR。

开启本地 OCR 前，需要自行准备可信来源的 Tesseract 语言数据文件：

Windows 配置示例：

~~~yaml localOcr: enabled: true languagePath: 'D:\vision-data\tesseract' languages: [eng, chi_sim] gzip: true timeoutMs: 60000 maxLanguageBytes: 52428800 maxRegions: 50 pageSegMode: auto autoRotate: true lowConfidenceThreshold: 40 ~~~

目录中应存在 <code>eng.traineddata.gz</code>、<code>chi_sim.traineddata.gz</code> 等与配置一致的文件。本地 OCR 不会自动下载语言包、访问 CDN、写入 Tesseract 缓存，也不会在失败后自动切换到远程 Provider。

网页截图

网页截图默认关闭。开启后必须填写精确的主机白名单：

白名单只填写主机名，不要包含协议、端口、路径或通配符：

~~~yaml browserCapture: enabled: true browserChannel: msedge allowedHosts: - example.com - cdn.example.com allowPrivateHosts: false viewportWidth: 1440 viewportHeight: 900 maxPageHeight: 12000 navigationTimeoutMs: 30000 ~~~

插件每次都会创建新的非持久浏览器上下文，不复用用户登录态。下载、弹窗和 Service Worker 会被禁用；导航、重定向、子资源及 WebSocket 都受同一白名单约束。

如需截图本机开发服务，必须把 <code>127.0.0.1</code> 加入 <code>allowedHosts</code>，并开启 <code>allowPrivateHosts</code>。这会扩大本机网络访问范围，只建议在可信的隔离 Profile 中使用。

YAML 配置示例

没有 Web 配置界面时，可以在 Profile 的后置 Patch 中使用：

~~~yaml

• id: vision-workbench

name: dsh-vision-workbench config: enabled: true wrapperRoute: deepseek-vision-workbench textProvider: provider: deepseek-official model: deepseek-v4-pro visionProvider: name: primary baseURL: https://your-provider.example/v1 model: your-vision-model credentialRef: VISION_API_KEY allowKeyless: false allowInsecureLocalhost: false maxTokens: 4096 fallbackProviders: [] providerRouting: attemptTimeoutMs: 45000 failureThreshold: 2 cooldownSeconds: 60 limits: maxImagesPerCall: 4 maxImageBytes: 10485760 maxImagePixels: 40000000 cache: enabled: true maxEntries: 200 ttlSeconds: 3600 localProcessing: enabled: true maxWorkingPixels: 16000000 localOcr: enabled: false languagePath: "" languages: [eng] gzip: true timeoutMs: 60000 maxLanguageBytes: 52428800 maxRegions: 50 pageSegMode: auto autoRotate: true lowConfidenceThreshold: 40 browserCapture: enabled: false browserChannel: msedge allowedHosts: [] allowPrivateHosts: false viewportWidth: 1440 viewportHeight: 900 maxPageHeight: 12000 navigationTimeoutMs: 30000 timeoutMs: 120000 proxyUrl: "" ~~~

API Key 不应直接写入 YAML。请在 Harness Credentials 或插件可视化配置卡片中，把真实密钥保存到 <code>credentialRef</code> 指定的名称。

使用示例

上传图片后可以直接向所选的包装模型提问。模型可根据任务调用：

~~~text vision_describe attachment_ids=["sha256:..."] question="这张截图显示了什么？" structured=true vision_ocr attachment_id="sha256:..." language_hint="中文和英文" vision_ocr attachment_id="sha256:..." backend="local" vision_crop attachment_id="sha256:..." region={"x":100,"y":80,"width":600,"height":300} vision_compare before={"attachment_id":"sha256:before"} after={"attachment_id":"sha256:after"} tolerance=0.02 vision_palette path="screenshots/home.png" count=6 vision_browser_capture url="https://example.com" full_page=true wait_after_load_ms=500 ~~~

裁剪图、差异图和网页截图都会保存为持久附件，可继续交给 <code>vision_describe</code>、<code>vision_ocr</code> 或后续会话步骤使用。

能力边界

• 不禁用或替换 <code>deepseek-official</code>。
• 不内置匿名视觉服务，不会在没有配置 Provider 时发送图片。
• 不支持 GIF；请先转换为 PNG、JPEG 或 WebP。
• 不捆绑或自动下载 Tesseract 语言数据。
• 不接管用户已经打开的浏览器，不复用登录态，也不执行网页点击、输入或表单提交。
• 网页截图提供视觉证据，不提供 DOM 自动化、登录或 PDF 导出。
• 本地 OCR 对复杂表格、手写字、低对比度或旋转截图的效果可能低于多模态视觉模型。
• 调色板适合界面主色判断，不适合作为色彩管理或印刷取色工具。