dsh-vision-toolkit

给纯文本模型装上一副”会找重点”的眼睛：粘贴图片，意图驱动的问答、长截图 OCR 与 UI 还原一次到位，免 key 开箱即用。

解决什么问题

在 DSH 里用 DeepSeek 等纯文本模型时，模型看不到截图、描述抓不住重点、按钮没有可用坐标、UI 还原”改得差不多”却没法量化剩余差异。这个插件是 DSH 生态里较早的综合视觉工具箱：在 DSH Web 粘贴图片后，纯文本路由自动切到 (Vision Toolkit) 变体，无需手动复制路径或换模型。

视觉任务由意图驱动——agent 会为当前任务提取证据（“错误在哪？""按钮在哪？”），而不是只返回一句泛泛的图片描述；能力覆盖带意图的图片问答、长截图 OCR、前端 UI 还原与 GUI 视觉任务，Web 与 headless 两个 profile 共用同一套结构化结果。内置免费 Gemini 3.7 Flash 视觉服务，装完即用、无需 API key（共享额度临时耗尽时返回可读的 429 与重试指引）。

核心功能

• 意图式图片问答：用户消息或模型陈述成为焦点提示，返回针对当前任务的描述，而非泛泛配文
• 自动路由：粘贴图片自动切到 <model> (Vision Toolkit) 变体，保留原生缩略图、会话历史与工作区路径
• 内置免费视觉服务：Gemini 3.7 Flash 装完即用、无需 API key；共享额度耗尽返回可读 429 与 Retry-After
• 长截图 OCR：重叠分块 + tesseract / 视觉模型回退，拼接成 Markdown
• UI 还原：从参考截图重建可编辑的 HTML / CSS
• 可量化视觉验收：坐标、差异对比、截图核对等 GUI 视觉任务
• 自带视觉模型：支持 OpenAI 兼容与 Anthropic Messages 端点（含 Groq + Qwen3.6-27B 免费教程），密钥存为 DSH Credential
• vision-skills 技能：内置上游 5 个 playbook，粗到细方法与任务 SOP 完整保留

快速上手

安装后重启 Web profile 并刷新页面，直接粘贴图片即可；也可把图放进会话工作区后调用 /vision-skills。要换模型或端点，在”设置 → Vision Toolkit”里配置 provider 并把密钥存为 DSH Credential，或用 profile patch 覆盖 baseUrl / credential / model；自签证书或 MITM 代理的内部端点可设 VISION_SSL_VERIFY=0。

适合谁

• 用纯文本模型跑 DSH、却需要看图理解与 GUI 自动化任务的用户
• 需要”可量化视觉验收”（坐标、差异、截图对比）的开发者与测试人员
• 想做前端 UI 还原、长截图 OCR 的创作者与前端工程师