dsh-visual-aid

dsh 的纯插件，用于让“纯文本主模型”也能处理带图片的会话。它会把图片理解委托给一个支持图片输入的视觉模型。

本插件不修改 dsh 核心源码，所有代码都在 packages/visual-aid/ 目录内。

为什么需要它

DeepSeek chat-completions 这类文本模型不支持图片内容。如果会话里包含图片，直接发给主模型会报错：

The DeepSeek chat-completions adapter does not support image content.
UNSUPPORTED_CONTENT

dsh-visual-aid 的解决方式：

1. 检测会话中的图片。
2. 调用配置好的视觉模型生成图片描述。
3. 在请求主模型之前，把图片块替换成带编号的文字占位符。
4. 提供 view_image(#N, question) 工具，让主模型仍能针对原图追问。

功能特性

• 自动图片替换：启用后，主模型请求不会看到原始图片块。
• view_image 工具：让主模型向视觉模型追问编号图片。
• visual_read_image 工具：通过插件自有路径读取磁盘图片文件。
• 会话开关：/visual-aid on|off 或 Web 顶部开关。
• 关闭即完全停用：从顶部选择“关闭”后，会同步关闭设置页中的“视觉辅助”，并且不再执行图片转描述、请求投影或 view_image/visual_read_image。
• 设置界面：在 dsh Web 设置中提供“视觉辅助 / Visual Aid”配置项。
• 视觉对话面板：展示图片问答历史、丢弃警告和 Token 统计。
• 分支继承：fork 出的新会话会继承父会话已生成的图片描述，避免分支后重复生成、浪费 Token。
• 压缩后编号稳定：图片编号在压缩/compact 后保持单调递增，不重复使用。
• 多模态伪装：设置中提供独立开关，允许纯文本主模型通过 dsh 的模型切换检查（需配合 visual-aid 正常使用，风险自负）。
• 不改核心：以正常 dsh 插件 bundle 方式安装。

目录结构

packages/visual-aid/
├── README.md
├── AGENTS.md
├── visual-aid/                  # Host 后端插件
│   ├── src/
│   │   ├── index.ts             # 插件生命周期、工具、投影、存储、分支继承
│   │   ├── channel.ts           # 图片收集、替换、视觉请求构建
│   │   └── config.ts            # 插件配置结构
│   └── tests/
└── client-ui-visual-aid/        # Web 客户端插件
    ├── src/
    └── tests/

界面预览

安装并启用后，主要界面如下：

顶部按钮

设置页

视觉面板

安装

发布到 npm 后，可以通过 bundle 安装到 dsh profile：

dsh plugin --profile web add @sy008/dsh-visual-aid-bundle@0.1.0-rc.9

本地开发时，可以打包后安装：

# 安装依赖
pnpm install

# 构建 host 和 client
pnpm exec tsc -b packages/visual-aid/visual-aid/tsconfig.json
pnpm exec tsdown --env.DSH_BUILD_FACE host

# 创建本地 bundle（具体步骤见 AGENTS.md）
dsh plugin --profile web add file:/path/to/dsh-visual-aid-bundle

安装后重启 dsh，并在设置中启用 Visual Aid，或使用：

/visual-aid on

Ubuntu / Linux 安装

插件本身是跨平台的，Linux 下数据默认保存在：

~/.dsh/visual-aid/

从 npm 发布后安装：

dsh plugin --profile web add @sy008/dsh-visual-aid-bundle@0.1.0-rc.9

使用本地 bundle 安装：

dsh plugin --profile web add file:/path/to/dsh-visual-aid-bundle

安装后重启 dsh，并在设置中启用 Visual Aid。

Windows 安装

插件本身是跨平台的，Windows 下数据默认保存在：

%USERPROFILE%\.dsh\visual-aid\

如果使用本地 bundle，把整个 bundle 文件夹（包含 package.json、cordis.patch.yml 和两个 .tgz）复制到 Windows，然后在 PowerShell 中执行：

dsh plugin --profile web remove dsh-visual-aid-bundle
dsh plugin --profile web add file:C:\path\to\bundle

如果 bundle 内使用相对路径引用 tarball，则整个文件夹可以整体复制，路径改成 Windows 实际路径即可。

配置项

插件由 visual-aid 设置区控制：

字段	说明
enabled	总开关。
provider	视觉模型的 provider id。
model	视觉模型的 model id。
maxTokens	视觉模型回答的最大 token 数。
timeoutMs	视觉模型调用超时。
describeImages	是否自动预生成图片描述。
describeMaxTokens	自动图片描述的最大 token 数。
channelWindowRatio	上下文窗口阈值（比例）：视觉问答最多使用视觉模型上下文窗口的比例。
masqueradeMultimodal	多模态伪装开关。开启后，非视觉模型的纯文本主模型也会被报告为支持图片，从而通过模型切换检查。

如果启用但没有配置视觉模型，插件会按“未启用”处理，保证纯文本会话仍可使用。

工作原理

主请求投影

dsh-visual-aid 全局监听 llm/stream。当请求包含图片块时：

1. 从会话中收集图片记录。

2. 对未描述的图片调用视觉模型生成描述。

3. 将图片块替换为类似下面的文字占位符：

   [Image #1: screenshot.png, 1920×1080 — 一个登录页面，显示……]

4. 把替换后的请求交给原主模型。

分支继承

当会话被 fork 时，插件会把父会话的 visual-aid 数据（图片描述、QA 历史、图片编号、开关状态）复制给子会话。这样分支后不会重新描述同一批图片。

存储

插件数据按会话独立保存：

`~/.dsh/visual-aid/<session-id>.json`（Windows: `%USERPROFILE%\.dsh\visual-aid\<session-id>.json`）

该文件与会话日志分开存储。插件已安装时，fork 会自动复制该文件。

注意事项与常见踩坑

1. DeepSeek 纯文本模型不能直接接收图片

现象：

The DeepSeek chat-completions adapter does not support image content.
UNSUPPORTED_CONTENT

原因： DeepSeek chat-completions 不支持图片输入。如果 visual-aid 未启用、未配置视觉模型、或插件未正确安装，图片会原样发给主模型。

解决：

• 确认 visual-aid 已安装并启用。
• 在设置中配置一个支持图片输入的视觉模型。
• 如果仍然报错，重启 dsh 后重试。

2. 有图片的会话不能切换到纯文本模型

现象：

model-unavailable: Model "deepseek-v4-flash" does not accept image input,
but this session already contains images; select an image-capable model.

原因： dsh 核心在切换模型时会检查原始会话历史里是否有图片。这是核心保护逻辑，visual-aid 无法通过正规插件接口绕过。

解决：

• 继续使用支持图片的模型。
• 或执行 /compact 压缩掉图片历史后，再切换纯文本模型。
• 或新开一个不带图片历史的会话。

3. 分支后可能重新生成图片描述

现象： 从旧断点 fork 出新会话后，插件又对同一批图片重新调用视觉模型。

原因：

• 图片描述保存在 ~/.dsh/visual-aid/<session-id>.json（Windows: %USERPROFILE%\.dsh\visual-aid\<session-id>.json），按 session id 隔离。
• 如果分支点早于描述生成完成，或插件当时未安装，子会话没有可继承的数据。
• 如果插件已安装且父会话已有描述，新版本会自动继承；旧版本或卸载状态下不会。

解决：

• 尽量从“已经生成过图片描述”的较新断点分支。
• 确认 visual-aid 已安装后再分支。
• 如果旧分支已经产生，可手动复制：

  cp ~/.dsh/visual-aid/<父session-id>.json ~/.dsh/visual-aid/<子session-id>.json

  然后重启 dsh。

4. 关闭 visual-aid 后，分支继承是否还有效

• 仅关闭设置（插件仍安装）： 分支时仍会继承描述数据，但关闭状态下不会使用；重新开启后可直接复用。
• 彻底卸载插件： 不会自动继承。需要手动复制数据文件，或在新会话中重新生成。

5. 插件升级后没有生效

现象： 改了代码或装了新包，但行为还是旧的。

原因： 如果版本号没变，pnpm 可能复用旧缓存/旧安装。

解决：

• 升级时修改版本号，避免同版本覆盖。
• 必要时删除 profile 下的 pnpm-lock.yaml 后重新安装。
• 安装后确认版本：

  grep '"version"' ~/.dsh/profiles/web/node_modules/@sy008/dsh-visual-aid/package.json

6. /compact 是处理图片历史的推荐方式

如果不想继续使用图片，或需要切换到纯文本模型：

/compact

压缩后旧图片历史会被文字摘要替换，deriveMessages() 中不再包含原始图片，之后可以切换纯文本模型。

7. 插件数据文件位置

`~/.dsh/visual-aid/<session-id>.json`（Windows: `%USERPROFILE%\.dsh\visual-aid\<session-id>.json`）

• 不要随意删除，否则会丢失已生成的图片描述和 QA 历史。
• 如果需要迁移/备份，复制这个目录即可。

8. 多模态伪装按钮

设置中的“多模态伪装”是一个危险选项：

• 它会让 dsh 误以为纯文本模型（如 deepseek-v4-flash）支持图片。
• 只有 visual-aid 正常启用并配置了视觉模型时，才能安全使用。
• 如果 visual-aid 未生效，切换后仍然会把图片发给 DeepSeek，导致 UNSUPPORTED_CONTENT。
• 这是为“必须切换模型”场景提供的 hack，不是官方推荐行为。

开发

环境要求

• Node.js 和 pnpm
• dsh monorepo 代码

常用命令

# 安装依赖
pnpm install

# 类型检查
pnpm exec tsc -p packages/visual-aid/visual-aid/tsconfig.json --noEmit
pnpm exec tsc -p packages/visual-aid/client-ui-visual-aid/tsconfig.json --noEmit

# 运行测试
./node_modules/.bin/vitest run packages/visual-aid/visual-aid/tests --config vitest.config.ts
./node_modules/.bin/vitest run packages/visual-aid/client-ui-visual-aid/tests --config vitest.config.ts

# 构建 host
pnpm exec tsdown --env.DSH_BUILD_FACE host

# 构建 client
pnpm exec tsdown --env.DSH_BUILD_FACE client

打包本地 bundle

具体打包和安装步骤见 AGENTS.md。

许可证

MIT，与 deepseek-harness 一致。