DSH Vision Toolkit

这是什么？适合谁？

DSH Vision Toolkit（@anionex/dsh-vision-toolkit）是 DeepSeek Harness 生态第一个综合性视觉工具插件：给纯文本模型装上”眼睛”——带意图的图片问答、长截图 OCR、UI 还原、GUI 视觉任务，一个工具包 + Skill 全覆盖。它由 agent-vision-toolkit 的作者长期实战迭代而来，安装即用内置免费视觉服务（Groq Qwen3.6），无需 API key。

适合人群：在 DSH 里用 DeepSeek 等纯文本模型的开发者、需要处理长截图/文档扫描 OCR 的用户、做 GUI 自动化与 UI 还原验证的测试工程师。 使用前提：DeepSeek Harness 环境（DSH Web 或 Headless）、Node.js、需要看图的日常工作流。

快速上手（3 步）

第一步：一条命令安装

dsh plugin add @anionex/dsh-vision-toolkit

（或按仓库 README 的安装命令执行；npm 包为 @anionex/dsh-vision-toolkit。）

第二步：粘贴图片即用

在 DSH Web 粘贴图片后，纯文本路由自动切换到 (Vision Toolkit) 变体——无需手动改路径或换模型。原生缩略图、会话历史、工作区路径全部保持不变。

第三步：跑一个 OCR 任务

给一张长截图（如整页聊天记录），让 Agent”OCR 提取全部文字并按时间排序”。免费视觉服务开箱即用；共享容量暂时耗尽时会返回可读的 429 与重试提示。

初级用法

• 带意图的图片问答：先说清你想从图里得到什么（“找出报错行号""对比两版 UI 差异”），视觉结果比泛泛”描述图片”有用得多。
• 长截图 OCR：长图分段提取合并，适合文档扫描、聊天记录、日志截图的结构化。
• Headless 续接：Web 里产生的结构化视觉结果，Headless 模式可继续消费同一份结果，人机两用。

高级玩法

1. UI 还原验证：用 UI 还原能力把设计稿/截图转结构化描述，再与实现页面对比，形成自动化的”视觉回归”判定。
2. vision-tools Skill 编排：工具包附带的 vision-tools Skill 可在 Agent 提示词里组合调用多视觉工具，构建”看图 → 分析 → 行动”流水线。
3. 双视觉插件分工：与 dsh-vision-router 并存时，按任务分流——像素定位类交给 router 的 vision_* 工具，OCR/问答类交给本工具包。

常见踩坑（5 条）

踩坑 1：免费共享容量 429

• 现象：视觉请求被限流
• 原因：内置 Groq Qwen3.6 为共享免费服务，高峰容量有限
• 解决：按可读的 429 响应重试；高频场景自配视觉服务

踩坑 2：粘贴后路由没切换

• 现象：图片被当作普通附件处理
• 原因：DSH 版本过旧或插件未正确加载
• 解决：升级 DSH 与插件到最新版，重启会话

踩坑 3：OCR 长图截断

• 现象：长截图只识别了前半段
• 原因：单次视觉调用有尺寸/分辨率上限
• 解决：分段切图后逐段 OCR 再合并（工具包支持长截图工作流，按文档配置）

踩坑 4：把视觉结果当绝对真理

• 现象：坐标/文字有小偏差导致下游操作失败
• 原因：视觉模型存在固有误差
• 解决：关键坐标做二次校验（再截一张验证图）；OCR 结果抽查关键字段

踩坑 5：混淆 Web 与 Headless 行为

• 现象：Web 里正常、Headless 不出图
• 原因：Headless 消费的是结构化结果而非交互界面
• 解决：按文档在 Headless 用结构化结果续接，别依赖缩略图交互

FAQ（5 个常见问题）

Q1：DSH Vision Toolkit 免费吗？ A：MIT 开源；内置免费视觉服务，无需 API key，共享容量有限流。

Q2：和 dsh-vision-router 怎么选？ A：router 强在路由与像素级定位工具；toolkit 强在 OCR、图片问答、UI 还原的完整工具集与 Skill。需求重叠时任选其一，复杂场景可组合。

Q3：支持哪些模型？ A：为 DSH 里的纯文本模型（DeepSeek 等）设计；视觉侧由内置免费服务承担。

Q4：数据会出本地吗？ A：图片会发送到视觉服务（默认共享 Groq 服务）处理；隐私敏感图建议自配视觉端点，具体以仓库文档为准。

Q5：和 agent-vision-toolkit 什么关系？ A：本工具包参考并延续了 agent-vision-toolkit 的系统设计，由同一作者在 DSH 生态的工程化实现，早于 DSH 内测即启动建设。

小技巧（5 条）

1. 问答带意图：提示词写清”从图中提取什么”，比开放描述准确率高一个量级。
2. 会话历史利用：同会话多图对比（新旧版本 UI）能复用上下文，减少重复描述。
3. 429 别硬刚：共享容量限流时错峰重试，比连续重试更快恢复。
4. 结构化结果落盘：把 OCR/还原结果存进工作区，后续任务直接引用文件而非重新看图。
5. 中英双文档：仓库带 README.zh.md，中文用户先读中文版。

进阶学习建议

• 研究工具包的”路由变体切换”机制，理解 DSH 插件如何按附件类型动态改路由
• 把长截图 OCR 工作流接进你的日志分析管线（截图 → 结构化文本 → 规则告警）
• 用 UI 还原能力搭建轻量视觉回归：设计稿 vs 实现页的结构化 diff
• 对比 toolkit 与 router 的工具面，为你团队沉淀一份”DSH 视觉任务选型表”

参考链接

• DSH Vision Toolkit GitHub 仓库
• agent-vision-toolkit（前身项目）

本文基于公开资料于 2026-08-17 整理，社区指标反映 GitHub 公开数据。独立实测未进行，功能和配置项可能随版本更新而变化，请以官方文档为准。