@anionex/dsh-vision-toolkit

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

<p align="center">

<img src="assets/hero-v2.png" alt="DSH Vision Toolkit：让纯文本 DeepSeek Harness Agent 看懂图片并完成视觉任务" />

</p>

<div align="center">

DSH Vision Toolkit

<a href="https://trendshift.io/repositories/149708?utm_source=trendshift-badge&amp;utm_medium=badge&amp;utm_campaign=badge-trendshift-149708" target="_blank" rel="noopener noreferrer"><img src="https://trendshift.io/api/badge/trendshift/repositories/149708/daily?language=TypeScript" alt="Anionex%2Fdsh-vision-toolkit | Trendshift" width="250" height="55"/></a>






更强大的视觉工具箱——给 DeepSeek Harness 里的纯文本模型装上眼睛：图片问答、长图 OCR、前端 UI 还原、GUI 视觉任务，一套视觉工具箱和一个 Skill。

🚀 粘贴图片，直接提问 ｜ 一行命令安装即用 ｜ 场景丰富

[亮点](#亮点) ｜ [快速开始](#快速开始三步完成) ｜ [工具一览](#工具一览) ｜ [配置与限制](#配置与限制) ｜ [常见问题](#常见问题) ｜ [交流群](#开发与社区)

🌐 [English](README.md) ｜ 中文

</div>

🏆 本项目为deepseek harness生态首个综合性视觉工具插件：内测前已立项，并在内测期间参考本人的agent-vision-toolkit做出。

原创声明： 这套视觉工具的体系和划分方式，以及 vision-skills Skill，均由作者个人原创并持续打磨，相关工具、方法和工作流来自长期的真实使用与反复迭代。

如果这个项目对你有帮助，或给了你一些灵感，欢迎 Star 🌟 & Fork。

亮点

• 粘贴图片，直接提问。 在 DSH Web 里粘贴图片，文本模型会自动切换到看图模式变体，不需要手动复制路径或更换模型。图片保留原生缩略图、会话记录和工作区路径；Web 可以预览产物。
• 一行命令安装即用。 安装插件后即可在 设置 → 视觉工具 中配置视觉模型并开始使用。
• 不只是看图描述，是获取图中真正需要关注的内容。 模型不只是生成通用描述，而是围绕“报错在哪里”“按钮在哪”等当前任务提取证据。
• 一套经过实战验证的视觉任务方法论：项目提供的skill，会告诉 agent 面对不同视觉任务时应该看什么、选择哪个工具、按什么步骤推进，以及最后如何验证结果。

agent-vision-toolkit 的视觉能力不只停留在图片描述：Agent 可以读取、定位、裁剪、描摹、还原和验证视觉内容。DSH Vision Toolkit 是这套工具箱面向 DeepSeek Harness 的原生接入，让它进入 Web 和 Headless Profile。

本项目提供两层能力：

1. 视觉工具和 Skill：让 Agent 知道什么时候该看图、定位、OCR、裁剪、描摹或做像素对比。

2. DSH 原生接入：把这些能力放进 Profile、会话、Settings、Artifacts 和 Web 界面。

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

上游工具箱： Anionex/agent-vision-toolkit · 项目网站： agent-vision.anionex.me

❤️ 赞助

想赞助本项目？详见 [FUNDING.md](FUNDING.md) 或发送邮件到 davidyang042@gmail.com。

<details open>

<summary>点击折叠</summary>

<table>

<tr>

<td width="220" align="center" valign="middle"><a href="https://aihubmix.com/?aff=sinZ"><img src="assets/logo_aihubmix.png" alt="AIHubMix" height="48"></a></td>

<td valign="middle">感谢 <a href="https://aihubmix.com/?aff=sinZ">AIHubMix</a> 赞助本项目！AIHubMix 是稳定、高并发的 AI 大模型 API 聚合平台，一个 API Key 即可接入 Claude、GPT、Gemini、DeepSeek 等主流模型，兼容多种协议，并提供<b>免费模型选择</b>。注册时，海外用户请使用 <a href="https://aihubmix.com/?aff=sinZ">AIHubMix 入口</a>，中国大陆用户请使用 <a href="https://inferera.com/?aff=sinZ">Inferera 入口</a>。</td>

</tr>

<tr>

<td width="220" align="center" valign="middle"><a href="https://api.ewo.so/register?aff=U6PT7J"><img src="assets/logo_eapi_dark.png" alt="E-API" height="48"></a></td>

<td valign="middle">感谢 <a href="https://api.ewo.so/register?aff=U6PT7J">E-API</a> 赞助本项目！E-API 聚合主流 AI 模型，兼容 OpenAI、Anthropic 与 Codex 接口；部分 Claude 模型相比官方价<b>最高优惠约 98%</b>，DeepSeek V4 系列<b>优惠约 25%</b>。</td>

</tr>

</table>

</details>

目录

• [亮点](#亮点)
• [最近更新](#最近更新)
• [适合谁用](#适合谁用)
• [实际效果](#实际效果)
• [快速开始：三步完成](#快速开始三步完成)
• [工具一览](#工具一览)
• [配置与限制](#配置与限制)
• [常见问题](#常见问题)
• [赞赏](#赞赏)
• [开发与社区](#开发与社区)

最近更新

• 2026-08-20 · AIHubMix 申请教程： 新增通过 Inferera 入口申请 API Key 并配置 Gemini 3.7 Flash 视觉模型的图文教程，并在视觉工具设置中直接提供入口。
• 2026-08-19 · 透明变体路由默认开启： 模型选择器默认只显示每个模型一项并保留原模型名，粘贴图片、历史图片和内置 read_image 工具都能直接使用，不再需要手动切换到 (Vision Toolkit) 变体；如需恢复显式条目，可在 设置 → 高级设置 → 图片输入 关闭“透明变体路由”。
• 2026-08-16 · Windows Python： 支持 Microsoft Store Python，解决 Windows 用户首次创建隔离环境失败的问题。
• 2026-08-17 · 视觉升级： 默认模型切换到 Gemini 3.7 Flash，并修复 Qwen/Gemini 检测框坐标顺序错位的问题。
• 2026-08-16 · 图片粘贴： 文本模型自动切换到 (Vision Toolkit) 变体并保留工作区路径，解决粘贴图片被拦截或后续无法复用的问题。
• 2026-08-16 · 服务稳定性： 扩大服务容量，减少高峰期出现 429 的情况。
• 2026-08-16 · 真实模型测试： Settings 新增完整图片请求测试，解决 /models 可访问却不能证明模型真的会看图的问题。

适合谁用

1. 想获得类似多模态模型一样的交互体验：直接粘贴图片，提出要求或疑问

2. 不只是看图问答，想要完成更复杂、更有价值的视觉任务，例如草图变前端页面，图片转html，提取长截图里的聊天信息等等；后续也会不断补充更多的场景。

随附的 vision-skills Skill 携带完整的上游 playbook，说明每个工作流何时使用、按什么顺序调用工具，以及如何验证结果：

手册 · Agent 学会做什么

[读取长截图、聊天记录和滚动页面](assets/skill/references/long-screenshot-ocr.md) · 找到低内容切割带、按顺序 OCR 每个分块、保留聊天发言人/时间戳/引用、只合并重复的重叠部分，并标出有风险的边界供验证

[根据截图或设计重建 UI](assets/skill/references/restore-ui.md) · 优先复用项目组件和素材，再用代码原生 UI、提取的视觉素材、渲染截图和视觉对比来对齐页面或组件

[还原图标、Logo、插画或其他图形](assets/skill/references/restore-graphic.md) · 从源图像提取透明 PNG，或按需重建可编辑/可缩放 SVG，然后验证形状、颜色和 alpha 边缘

[把草图、示意图或白板转成结构化代码](assets/skill/references/restore-structure.md) · 把节点、标签、连接和方向恢复为可编辑的 Mermaid、Graphviz 或其他结构化表示

[通过截图操作 GUI](assets/skill/references/gui.md) · 定位控件、执行一个动作、再次截图，并先验证结果状态再继续

实际效果

在 DSH 里直接粘贴图片提问

<p align="center">

<img src="assets/dsh-view-example.png" width="82%" alt="DSH Web 中，纯文本 DeepSeek 模型通过 Vision Toolkit 回答用户粘贴图片里的内容" />

</p>

用户粘贴一张图片，纯文本模型自动切换到对应的 Vision Toolkit 变体，并围绕用户的问题读取画面。

从截图到可编辑页面

<p align="center">

<img src="assets/upstream/infographic-reference.webp" width="49%" alt="用于还原的信息图原始截图" />

<img src="assets/upstream/infographic-result.webp" width="49%" alt="根据截图还原出的可编辑 HTML 和 CSS 页面" />

</p>

提示词示例：“（使用vision-skills），把这张图片还原成html”

左：参考截图；右：用 HTML/CSS 还原出的可编辑结果。视觉结果可以继续进入截图和像素对比流程，而不是停在“描述图片”。

从手绘稿到可用界面

<p align="center">

<img src="assets/upstream/

…(truncated)