fengs2021/dsh-image-mmx
fengs2021★ 0JavaScriptLast synced: 2026-08-16
给 DSH 文本模型装眼睛：图片自动调用 mmx（MiniMax VLM）识别，识别结果注入模型上下文
README excerpt
dsh-image-mmx 给 DeepSeek Harness 的 文本模型 装一双眼睛：会话里粘贴/发送图片，自动调用 mmx（MiniMax VLM） 识别，识别结果注入模型上下文——DeepSeek 等纯文本模型也能理解图片内容。 能力 - 图片收发 ：文本模型（ inputModalities 无 image）也能发送含图消息，不再报「当前模型不支持图片」 - 自动识别 ：图片落盘到会话工作区 .attachments/ ，自动执行 mmx vision describe （MiniMax VLM） - 模型可见替换 ：图片块在模型可见面替换为 [图片N]:" " + mmx 识别文本（画面元素、布局、报错/代码/界面文字逐字保留） - 用户侧不变 ：人类 transcript 照常渲染原图缩略图（可点击放大） - 优雅降级 ：mmx 未安装/未认证/超时（60s）/格式不支持（gif）时降级为路径文本 - 原生模型免打扰 ：本身支持图片输入的模型走原生路径，不做任何处理 配套插件：dsh-file-bridge（📎 附件按钮上传 + send files 文件下发 + explorer 跳转）。 依赖 本机已安装并认证 mmx-cli （MiniMax 官方 CLI）： 安装 前置：DeepSeek Harness 0.1.0-rc.6+ 、Node.js 18+。 使用 1. 在 DSH Web 输入框 粘贴/拖入图片 （或配合 dsh-file-bridge 的 📎 附件按钮选图） 2. 发送后插件自动：落盘 → mmx 识别 → 模型直接读到识别结果并回复 3. 多图支持：每张图独立并行识别，按 [图片1] [图片2]... 编号 实现 基于 dsh-image-bridge（MIT）机制改造： 1. 包装 llm.resolveModelInfo 为文本模型补 image 模态（放行 api-proxy 预检） 2. agent/pre-step ：图片落盘 + 并行调用 mmx vision describe 3. agent/request-error ：surface replace 把图片块换成识别文本， retry 重发 License MIT
View full README on GitHub →Category
The first vision plugin for DeepSeek Harness, and the vision bridge for every text-only coding agent. Paste an image, get structured JSON evidence (OCR, layout, semantics). | 全网第一个 DeepSeek Harness 视觉插件，为 DeepSeek、GLM 等纯文本模型外挂视觉能力，粘贴图片即得结构化 JSON 证据（OCR、版面、语义）。
★ 2,047
Anionex/agent-vision-toolkit为纯文本模型"看图“设计更好的视觉工具箱和技能，支持多图理解，图片问答，前端UI还原、GUI 自动化等，并可选无缝接入多个主流agent，直接识别粘贴图片｜ A vision toolkit and skill designed for text-only llms — image Q&A, long-screenshot OCR, frontend UI restoration, and GUI automation, with optional seamless integration for Codex, Claude Code, Pi, Oh My Pi, and OpenCode
★ 920
Anionex/dsh-vision-toolkit让纯文本模型更好地做视觉任务的DeepSeek Harness插件：带意图的图片问答、长截图 OCR、UI 还原等｜DeepSeek Harness-native integration for agent-vision-toolkit: image Q&A, long-screenshot OCR, UI restoration, grounding, pixel diff, Artifacts, and Web UI.
★ 457