Vision Toolkit 给纯文本的 DeepSeek Harness agent 配上一套「视觉仪器」。README 的承诺刻意写得很窄：模型不去生成一段泛泛的描述，而是围绕当前任务抽取证据——错误出在哪里、按钮在哪里、那串很长的聊天记录究竟说了什么。它自带十个工具和一个 vision-skills Skill，并把两者接进 DSH 的 Profile、会话、设置与 Artifacts。
这是什么
npm 包名是 @anionex/dsh-vision-toolkit，版本 0.1.44，MIT 许可，仓库为 github.com/Anionex/dsh-vision-toolkit，主页 agent-vision.anionex.me。它是另一个上游项目 Anionex/agent-vision-toolkit 的 DeepSeek Harness 原生集成；插件内置的是上游的一份固定快照，而不是要求你去 clone 源码。
装之前有三处声明值得先读。dsh.bundle.patch 指向 ./cordis.patch.yml，也就是说这个包通过自己的组合补丁挂载进 profile；dsh.client.platform 为 web，并注入了九个客户端模块，这意味着设置面板与 Web UI 行为只存在于浏览器客户端；dsh.compatibility.profiles 列出的是 web 与 headless，而 README 另外记录了一条 DSH Desktop 的 desktop 安装路径。
装进来的东西也不只是 JavaScript。包的 files 字段包含 lib、src、runtime、vendor、patches、assets、docs、examples：vendor 放上游快照，runtime 放下面会讲到的 Python 工具链。所以它不是一个薄薄的桥。
十个工具，按真名列出
README 说明插件提供 10 个工具，可以独立调用，也可以串成工作流：
vision_glance：聚焦回答、描述、OCR 或多图对比，也就是「这张图里发生了什么」。vision_ground：对描述的目标返回原图像素坐标，可选带框预览。vision_detect：对同一类元素（按钮、图标、输入框）给出带坐标的编号清单。vision_crop：把某个区域单独裁成 PNG 或 JPEG。vision_trace：把形状转成可编辑的 SVG。vision_pixel_diff：把实现与参考图对比，返回差异百分比、排序后的差异区域、热力图与 JSON。vision_long_screenshot_ocr：读完整张长截图，输出 Markdown、切片、manifest 与审计产物。vision_extract_foreground：抠出主体、去掉背景，得到透明 PNG。vision_dominant_colors：给出某个区域的主色板或候选色排序。vision_html_screenshot：以精确视口渲染本地页面，或用fullPage=true截取整份文档并以 CSS 像素回报pageHeight。
坐标统一使用原图像素、x1,y1,x2,y2 形式，这正是 ground 的结果能直接喂给裁剪、描摹或后续自动化的原因。
README 还记录了一个随包分发的 Skill：vision-skills，被描述为上游 vision-tools Skill 的 DSH 适配版本，包含它的 SKILL.md 与五份 playbook，分别覆盖长截图 OCR、UI 还原、图形还原（PNG 或 SVG）、结构还原（Mermaid、Graphviz 之类）以及从截图操作 GUI。适配版本把上游 Skill 的确切 commit、源文件哈希和自己的补丁记录在 assets/skill/UPSTREAM.json 与 patches/vision-tools-dsh.patch 里。README 说得很明确：这个 Skill 是被调用的，不是自动生效的——快速开始的第三步就是粘贴图片「然后调用 /vision-skills」。
视觉能力从哪来，以及你的图会离开本机吗
这一节请先读，因为插件自己不附带任何视觉模型。 每一次图像理解调用都发往你配置的服务商，用你自己的账号与凭证。
README 要求你在设置 → Vision Toolkit里配置视觉服务商，并把 API key 存为 DSH Credential；它同时写明「Settings 只保存 Credential 引用，从不把已保存的密钥读回浏览器」。协议支持范围也写得很直白：「OpenAI Chat Completions-compatible endpoints and Anthropic Messages are supported.」由于端点由你决定，谁能看到这张图也由你决定——聚合网关、官方 API，或本地服务都可以。排错表里点名了本地 OpenAI 兼容服务（LM Studio、Ollama），并解释它们必须填带 /v1 的 base URL。FAQ 更进一步，说本地部署的小型多模态副模型「can provide the vision capability」。但源码没有说默认就是本地：一旦你配置的是云端服务商，图像连同你对它的提问都会被发送出本机，交给该服务商。
留在本机的是什么：README 把确定性的图像处理——裁剪、SVG 描摹、像素运算——描述为本地运行，并说明视觉能力来自随包固定的 agent-vision-toolkit 快照。这套本地工作由一个插件自带的 Python 运行时执行，README 还声明「the runtime never fetches upstream main in the background」。这句话说的是不会在后台拉取上游代码，它并不等于「图像数据不出本机」。
源码还写了两处与凭证相关的细节：自签名证书或 MITM 代理端点，做法是把 DSH 进程启动时的 VISION_SSL_VERIFY 设为假值——0、false、off、no、none 或 disabled，不区分大小写——插件会把这个值透传给隔离的 Python 运行时；取其他任何值时证书校验保持开启；自定义 Credential 的名字必须与服务商配置一致，否则调用失败。
运行要求
- Node：
package.json声明engines.node为^22.19.0 || >=24.0.0。package.json里没有任何操作系统限制。 - Harness 下限：包声明
dsh.compatibility.dsh为>=0.1.0-rc.8 <0.2.0，并逐条列出从0.1.0-rc.8到0.1.5-rc.1的兼容版本——其中0.1.3-alpha.1被标为unknown而非 compatible。本条目将该声明逐字记为dshTarget。 - Profile：声明支持
web与headless。README 另记录了 DSH Desktop 的desktopprofile 安装路径，并提醒 DSH Desktop 2.0.1 内置插件市场存在已知安装问题，目前终端命令才是可靠路径。 - Python：插件优先使用系统的 Python 3.11+；找不到时会在首次使用时从国内镜像下载一份带哈希校验的独立 Python（约 35 MB），镜像不可达则回退到 GitHub release，并优先从腾讯云 PyPI 镜像安装锁定依赖（Pillow、NumPy、vtracer），失败再回退官方 PyPI。正常安装不需要
agent-vision-toolkit的源码检出，也不需要设置本地路径。 - 浏览器二进制：HTML 截图渲染需要 Chrome、Chromium 或 Edge；README 明确说没有 Chrome 时「Only HTML screenshot rendering is unavailable; the other tools still work」。
- 一个可用的视觉模型端点：不自带。这是最常被忽略的一项要求。
它需要 Harness 里有视觉模型吗
它需要一个具备视觉能力的端点，而不需要一个具备视觉能力的 Harness 模型。这个插件就是为 DSH 明确判定为纯文本的路由设计的：对这类路由，它会注册一个同名的 <model> (Vision Toolkit) 变体，默认情况下在 DSH Web 粘贴图片就会切到该变体。README 的近期更新又往前走了一步——自 2026-08-19 起，「image input (paste, history, read_image) works without manually switching」，并且可以关闭高级设置里的「Transparent variant routing」来恢复显式变体条目。
所以预期组合是：纯文本的 Harness 模型 + 已配置的视觉服务商。不被支持的是完全不配服务商：设置面板提供了连通性测试，README 还记录了一处具体修正——之所以加入完整的图像请求测试，是因为「a successful /models request to a model that still cannot process images」会制造虚假的信心。这里有一处诚实的空白：源码没有描述当 Harness 路由本身就已经原生支持图像时的行为，因此不要假设在那情况下插件是必需的或完全无作用的。
已知限制
- 存在图像大小与像素上限。README 的建议是先裁剪或缩放，并说明报错会指出是字节数还是解码后的像素数触发了拒绝。
- 限流是真实存在的。排错表里有「视觉服务返回
429」一条，建议等待Retry-After间隔，或者「switch to your own endpoint when you need stable higher volume」。一条更新记录说扩充了服务容量，以「reduce peak-time429responses」——它并没有说 429 已被消除，也没有公布任何配额数字。 - 存储上的平台差异：配置的绝对共享保存根目录「currently rejected on Windows because their ownership and access-control lists cannot yet be verified safely」。
- 功能缺失是可控的，不是静默的：没有浏览器只损失
vision_html_screenshot；缺少自定义 Credential 则是一次硬失败。 - 没有任何准确率基准。源码给了比较性说法——焦点提示能带来「fewer tokens, higher accuracy, and faster responses」——也给了快速 UI 还原的速度目标（首张截图「about three minutes」）。但它没有发布任何工具的实际测量准确率。README 里确实带有热度与评分徽章——第三方推荐、dshfind 94 分、Trendshift 徽章——以及一句自称「生态内首个综合性视觉工具插件」的宣传语。这些是链接与自我描述，而不是证据，来源中也没有任何东西能证明它们属于独立验证。
- 成本只是断言，没有明细。README 的 FAQ 说增量成本很小，因为每次检查只发送必要的意图与图像，且上下文不跨调用累积；该说法没有附带任何数字。
- Skill 需要手动调用：
/vision-skills。
什么时候用它，什么时候不要用
当任务确实是视觉性且多步骤时用它：不丢字地读完一张长截图、把设计稿或白板草图变成可编辑代码、按描述定位控件，或者用像素 diff 而不是目测来收敛一轮 UI 还原。README 自述的目标用户正是这些场景，并且明确指出第二类用户是想要「more than image Q&A」的人。
不要指望它是一个自带眼睛的独立机器。如果你不打算用自己的账号和 key 配置视觉服务商，这些工具没有任何东西可调用——这是关于这个插件最常见的错误假设。也不要为了「离线」或「默认隐私」而装它：源码从未这样承诺，而配置云端服务商就意味着你的图像会离开本机。如果你只是要一次性描述一张图，这里的一套机器——Python 运行时、带五份 playbook 的 Skill、十个工具——比任务本身要重。
与同为 DSH 视觉插件的 vision-router 相比，两者的差别在形态而非目标。Vision Toolkit 的 README 把自己呈现为工具箱：十个具名工具，加上一份上游 Skill 的适配版，在视觉任务需要时被显式调用。Vision Router 的 README 则把自己描述为路由桥：把一次图像对话直接交给视觉模型，自带十四个深度工具、整轮自动路由，以及一条内置的免密钥兜底链。两份 README 追溯到同一条上游血缘——Vision Router 的设计谱系一节把 Anionex/agent-vision-toolkit 与本插件列为其影响来源之一。读者能从两份文档中提炼出的实际分野是：本插件是「工具箱优先、自备服务商」的选项，另一个是「路由优先、声称开箱有免费链路」的选项。关于任一项目的判断，都应当回到它自己的仓库核查，而不是依赖另一方的描述。
信任相关说明
- 凭证：以 DSH Credential 形式保存；Settings 只保留引用，不把密钥读回浏览器。README 没有说明这些凭证落在磁盘上的哪个存储里——它把这件事交给 DSH 的 Credential 机制，本条目也只能说到这里。
- 遥测与数据保留：本条目的依据只有插件的 README 与
package.json。两者都没有说明插件是否发送遥测，也都没有给出数据保留政策。这里的不对称值得注意：本地产物留在你的工作区，而配置的云端视觉服务商保留了什么，由该服务商的条款决定，README 并未讨论这一点。 - 自主性：插件不会在后台拉取上游
main；视觉能力来自随包固定的快照。安装、更新与 Skill 调用都由用户发起。 - 存储历史：当配置的保存目录发生变化时，此前已验证的根目录会被保留为只读输入位置，并把这段历史记在插件自有的
vision_toolkit_storage侧车里，使之前粘贴过的图片路径在 Profile 重启后仍然可用。
FAQ
它能在纯文本的 DeepSeek 模型上工作吗？
可以，这正是它的用途。对 DSH 判定为纯文本的路由，它会注册一个同名的 <model> (Vision Toolkit) 变体，默认情况下粘贴图片就会切过去。但你仍然需要配置一个视觉服务商：插件提供的是工具与工作流，不是「看见」本身。
我的图片会被发给第三方吗？
会发给你所配置的那个视觉服务商，连同你对图片的提问。README 支持 OpenAI Chat Completions 兼容端点与 Anthropic Messages，也可以把它指向本地服务——但按文档所写，这个插件没有离线模式，也没有声称默认只在本地。源码中没有任何一句话承诺你的图片留在本机。
需要 API key 或账号吗？
使用云端服务商就需要：你在设置里配置服务商，并把 API key 存为 DSH Credential。插件不自带模型，也不自带 key。FAQ 提出的替代方案是本地部署的多模态模型，那条路不需要服务商账号。
用之前需要先装什么？
Node ^22.19.0 || >=24.0.0、一个兼容版本上的 DSH web 或 headless profile，以及系统的 Python 3.11+，或者接受首次运行时下载约 35 MB 的独立 Python。Chrome、Chromium 或 Edge 只在 HTML 截图渲染时才需要。
它和 dsh-vision-router 有什么区别？
两者都是给纯文本 agent 提供视觉，区别在实现路线。本插件是工具箱优先：十个具名工具加一个随包的 vision-skills Skill，显式调用，对接你自己配置的服务商。Vision Router 自述为路由优先，有自己的工具集、整轮包装路由和内置的免密钥免费兜底链。它们是两个独立项目，Vision Router 把本插件的上游列为其设计影响来源之一。