dsh-vision-toolkit

如果你一直在 DeepSeek Harness 里用纯文本模型，大概已经习惯了这样的痛点：想让它看一张截图、读一段长聊天记录，或者照着草图生成页面，却只能把图片转成路径或手动切换模型，最后得到的往往还是一段含糊的“图片描述”。DSH Vision Toolkit 要解决的就是这个问题——它让文本模型真正“长出眼睛”，而且不是简单地看图说话，而是围绕你当前的任务提取关键证据：错误在哪里、按钮在哪里、这段 UI 和设计稿差多少。

这个插件把一整套经过实战打磨的视觉方法装进了 DeepSeek Harness。它提供 10 个可以单独调用或组合成流程的工具：快速浏览、目标定位、元素检测、区域裁剪、矢量化描摹、像素级差异对比、长截图 OCR、前景抠图、主色提取，以及 HTML 页面截图。配合内置的 vision-skills Skill，模型会学会什么任务该看什么、按什么顺序调用工具、以及如何验证结果。更贴心的是，在 DSH Web 里直接粘贴图片就能自动切换到对应的视觉变体，无需手工改配置。

它适合两类人。第一类是想获得接近多模态模型体验的用户：粘贴一张图，直接提问，剩下的交给工具链。第二类是有更高价值视觉任务需求的人：把草图变成前端页面、把截图重建为可编辑的 HTML、或者从超长截图中抽取聊天记录——这些不再是“描述一下图片”的玩具场景，而是一套可复用、可验证的工作流。