Dsh Vision Skill — Development skill for Claude Code

简体中文 | [English](README.en.md)

dsh-plugins / dsh-vision-skill

**DeepSeek Harness（DSH）标准插件版识图技能**。它把本仓库 `General_skills/vision-skill`（源自 Qwen 官方动态分辨率方法）包装成 DSH 原生插件，让不支持图片的纯文本模型也能看图、OCR、定位目标。

零框架补丁。插件只使用官方扩展接缝（`ctx.skills.register` / `ctx.tools.register` / `ctx.credentials` / `ctx.sessions` / `ctx.webServer` / client 注入）。v0.4 起直接贴图走 paste-to-path，不再需要 pi-ai 补丁。旧补丁仅作兼容保留，附还原脚本。

能力（8 工具 + 1 运行时 skill）

名称	说明
vision（runtime skill）	模型按需加载的识图指令。加载后自动激活下列工具（渐进式暴露）
vision_analyze	识别本地图片，共 6 种模式（general / ocr / table / code / error / evidence 结构化证据），budget 含 mega 档 16M 像素
vision_ocr	独立 OCR，保留原始排版
vision_ground	目标定位（比如找「微信图标」），返回像素坐标和归一化坐标
vision_detect	枚举一类元素，给出编号和像素坐标框
vision_dominant_colors	主色分析（本地像素算法，不耗视觉 API）
vision_long_screenshot_ocr	超长截图分块 OCR。先跑本地 tesseract，不行再交给 VLM 兜底，最后合并
vision_clipboard	剪贴板图片兜底识别（paste-to-path 失败或特殊场景的手动通道）
vision_activate	渐进式暴露的兜底。skill 加载后工具没自动出现时调用一次

工程化要点

• 渐进式工具暴露。全局只挂 1 个轻量激活工具，完整工具集等 skill 加载后再按 Agent 挂载，省上下文。progressive: false 可回退为全局注册。
• paste-to-path 直贴（v0.4.2 起输入框显示 📎 chip）。client 在 capture 阶段截获粘贴的图片，发送时同源 POST 落盘到 .dsh-vision/pasted/。消息里没有 image 块，DSH 因此不再报 MODEL_DOES_NOT_SUPPORT_IMAGES。旧版宿主没有 reference 能力时，自动回退为插入路径文本。
• 多 provider failover 和 429 退避。visionProviders 数组按顺序 failover，每个 provider 配 apiUrl/model/apiKey/credential。遇到 429 就按 Retry-After 退避重试一次。
• 结构化证据。vision_analyze 的 mode=evidence 返回一段 JSON，包含 summary / ocr_full_text / layout（阅读顺序）/ semantics（entities+relations）/ uncertainty / visual。
• 本地 OCR 快路径。长截图每一块先跑 tesseract，跑不了才调 VLM，省 token 也更快。
• 图像记忆缓存。按图片 SHA-256 加 mode/budget/crop/prompt 做缓存，TTL 内命中直接返回 cached:true。
• 路径围栏。图片路径必须位于会话工作区 / DSH 附件目录 / allowedDirs 之一，经 realpath 校验，防止路径穿越。
• 密钥 Credential 化。config 支持 credential: VISION_API_KEY（DSH Credential 引用，每操作解析，推荐），也兼容 apiKey 明文（不推荐）。

识图核心方法

Qwen 官方动态分辨率预处理打头，`smart_resize` 负责像素预算和 patch 网格吸附，随后交给任意