AnnanRen/dsh-vision-resident

README 摘要

dsh-vision-resident DeepSeek Harness 的 常驻视觉子代理 插件：一个住在宿主进程里的视觉助手，让纯文本主模型（如 DeepSeek）也能"看"图——粘贴图片自动转译、随时调用识别/验收、像对话一样记住上下文。 - 零子代理开销 ：视觉模型直连（ ctx.llm.stream ），每次识别只是一次 LLM 推理，没有 agent 上下文初始化成本 - 常驻对话 ：视觉子代理有自己的持续上下文（记住看过的图与识别结果），追问不重发图片 - 按会话隔离 ：每个 DSH 对话拥有独立的视觉历史、上下文与计数，互不串扰 - 跨重启持久化 ：识别历史与转译缓存落盘，重启不丢、不重复转译 - 归档联动 ：主会话归档后，对应视觉记录自动清除 截图 输入框常驻胶囊 平时是一个融入输入框工具行的小胶囊，实时显示视觉子代理状态（工作中/空闲）、模型名称、本对话识别次数；点击打开详情页： 子代理详情页（折叠式对话史） 每张图一次识别 = 一条折叠条目：序号 + 图片缩略图 + 一句话概况；点击展开看完整识别过程（指令 / 思考过程 / 输出）。头部有「← 返回主对话」，Esc / 点背景关闭： 功能 1. describe image / subagent vision 工具 ：读磁盘图片 → 视觉模型 → 文字结果。用于截图验收 / UI 审查 / OCR / 看图问答。省略 image path 即可 纯文字追问 ——基于视觉子代理自己看过的图直接回答。 2. 粘贴图片自动转译 （ llm/stream 钩子）：聊天里粘贴图片照常显示；发送时若当前模型不支持图片，自动调视觉模型转成文字注入请求（描述不进会话、不显示）；模型本身支持图片则原样透传。 read image 等工具放在 tool-result.content 里的内嵌图片也会被正确转译。 3. 常驻会话记忆 ：按 DSH 对话隔离，最近 10 轮识别（指令 + 结果文字）作为上下文，追问不重发整图、不重复识别。 4. 状态胶囊 + 详情页 ：输入框左端小胶囊 + 全屏折叠式对话史（序号 / 缩略图 / 概况 / 展开详情）。 5. 生命周期管理 ：会话上限 40（LRU）、闲置 30 天清理、主会话归档 30 秒内清除对应记录。 安装 配置 视觉模型 默认使用 opencode-go/mimo-v2.5 （主）与 opencode-go/minimax-m3 （回退），同一供应商。可用环境变量覆盖： 粘贴准入（纯文本主模型） Harness 在 API 代理层按 选中模型的 input 声明 做图片准入检查。要让纯文本主模型（如 deepseek-v4-flash ）能粘贴图片，需在 /.dsh/settings.yaml 里给它声明 input: [text, image] ；它…

分类