Anionex/dsh-vision-toolkit

[dsh]为纯文本模型设计更强大的视觉工具箱：一行安装使用、粘贴图片直接识别、多张图片问答、截图到前端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.

解决的问题

DSH Vision Toolkit 让 DeepSeek Harness (DSH) 生态系统中的纯文本 AI 代理能够处理和理解视觉信息。它通过提供一组专门工具和一个“技能”（一组操作手册）来弥合文本模型与视觉任务之间的差距，引导代理如何感知、分析和操作图像以完成高价值任务。

运作方式

此工具包结合了具视觉能力的模型（用于理解）与确定性的本地图像处理工具（用于行动）。当用户粘贴图像或提供路径时，系统可以自动将纯文本模型切换为具视觉能力的变体。

此工具包不是产生通用的图像描述，而是使用“焦点提示”——将用户的具体目标传递给视觉模型，使其仅提取与当前任务相关的证据。然后代理使用随附的 vision-skills 技能来决定调用哪个工具（例如 OCR、裁剪或像素比较）以及如何验证结果。

适用对象

DeepSeek Harness 的用户，希望以纯文本模型获得多模态体验（直接将图像粘贴到聊天中）。
开发人员与设计师，需要自动化复杂的视觉工作流程，例如将截图或手绘草图转换为可运行的 HTML/CSS 代码、从长截图中提取数据，或通过截图操作 GUI。

亮点

任务感知视觉： 根据当前目标提取特定证据，而非提供通用说明。
全面工具箱： 包含 10 个工具，用于诸如 vision_glance（一般理解）、vision_ground（像素坐标）、vision_trace（SVG 转换）和 vision_pixel_diff（视觉回归测试）等任务。
UI 还原： 专门的手册，用于将截图、草图或图表重建为结构化代码。
无缝 DSH 集成： 原生支持 DSH Web 和 Headless 配置文件，包括粘贴图像时自动切换模型以及原生缩略图预览。