kid-tea/dsh-rapid-ocr-ui

README excerpt

dsh-rapid-ocr-ui 给 DeepSeek Harness 的 纯文本 Agent 装上本地 OCR：图片粘贴/引用后， 用 ocr image 工具在本地提取文字并返回纯文本——不依赖视觉模型、不需要 API Key、 不发送任何图片到外部服务。 =20" / 这是什么 dsh-rapid-ocr-ui 是 DeepSeek Harness 的双面（Host + Client）插件，核心是 一个本地、纯文本输出的 OCR 工具 ： - ocr image(file path) —— 把图片（PNG/JPEG/WebP/BMP/GIF）在本地跑 OCR， 返回 { path, text, provider } 。对不支持图片输入的纯文本模型，它就是 read image 的替代品： 提取文字 ，而不是看图。 - read image 能力分发 —— 插件不改写任何模型。图片能力由当前路由的 模型决定：多模态模型照常走原生 read image ；纯文本路由会被引导去用 ocr image ，而不是收到一张它读不了的图。 - systemPrompt 引导 —— 会话提示词里会告诉纯文本 Agent：「提取文字用 ocr image 」。 - 聊天页 OCR 开关 —— 输入栏左侧有一个「OCR 模式」小按钮（会话级）， 打开后按需对图片做 OCR，纯文本 Agent 也能「看」图片里的字。 - ctx.ocr 可插拔 seam —— 后端支持 tesseract / rapidocr / paddleocr-json / paddleocr-py ，默认 none 是无害的空实现（不装引擎也能 启动）。 它解决什么 ：你的会话用的是不支持图片输入的模型（比如 DeepSeek 纯文本 路由）时，用户贴一张图，Agent 无法读图。这个插件让 Agent 用本地 OCR 把 图片里的 文字 变成纯文本继续工作——截图里的报错、文档截图、验证码、票据、 PPT 文字等，全部在本地完成，不出本机。 与「纯视觉方案」的关系 [!NOTE] 社区已有 纯视觉方案 （基于视觉模型的完整图像理解：看图问答、像素级定位、 裁剪、对比、取色、OCR 等）。如果你的需求是「让 Agent 真正看懂图」（描述、 定位元素、UI 还原），请优先使用纯视觉方案——它们对图片的理解是完整的。 本插件定位是互补的 轻量文字提取器 ： - 纯文本输出 ：只返回文字，不含图像推理，纯文本模型直接可用； - 本地运行 ：tesseract 等引擎全在本机，图片不出本机、无外部依赖； - 零成本 ：不需要视觉模型、不需要 API Key、不消耗视觉额度； - 即装即用 ：装好 tesseract（或任一支持的引擎）即可，无需配置模型组。 一句话： 要看懂图，用纯视觉方案；只需要图里的…

Category