picturereader

v3.2.0 — 给纯文本模型（DeepSeek / text-only）的全能「看图 / 读文档 / 修图」能力。 融合 视觉孪生 adapter（把任意文本模型原位包装成「支持图片」→ DSH 原生缩略图 + 图片块自动分析）、三模式路由、本地像素级工具链（scan / OCR×3 引擎 / crop / palette / compare / batch）、文档转图片（pdf / word / excel / ppt）、本地修图工具 image_edit（Pillow/OpenCV 纯 CPU：缩放 / 旋转 / 滤镜 / 合成 / 水印 / 去背景 / 超分等）与可选外部 VLM 桥。一个插件全包。

v3.2.0 新增：image_edit 本地修图工具 — 22 种纯 CPU 图像处理动作（Pillow + OpenCV，可选 rembg/rawpy/realesrgan），无需 GPU / 大模型。

v3.1.0 新增：read_image 工具拦截 — 当 LLM 调用 DSH 内置的 read_image 工具时，如果返回了 image block，会自动替换为文本引导，避免后续请求因 image block 导致 UNSUPPORTED_CONTENT 错误。内置 image-reading 技能注册。

定位

DeepSeek 等纯文本模型没有视觉编码器，无法直接看图片；DSH 原生缩略图也需要模型被声明为「支持图片」才会渲染。

⭐ 已支持外部视觉 API（OpenAI 兼容端点 / LM Studio / 云端 VLM），由 LLM 自行按需调用：配置好端点后，模型会在智能/严谨模式下自主判断"这张图值不值得外呼视觉模型"，需要时用 vision_analyze 调外部 API 做语义理解，简单内容则本地像素/OCR 搞定——外部 API 是即插即用的增强能力，不是必须依赖。

picturereader 现在解决三件事：

1. 把「看图/读文档」翻译成纯文本模型能理解的结构化证据（像素级 huel/结构/材质分析 + OCR 实读 + 可选 VLM 语义描述），并沉淀为读图方法论 skill。
2. 通过「视觉孪生 adapter」让纯文本模型在 DSH 里获得原生缩略图体验：勾选模型即生成「(视觉)」变体，粘贴图片显示原生缩略图、图片块进会话、并被自动分析成文本路径 + 本地证据再交给模型——模型拿到的永远是纯文本，不会触发 UNSUPPORTED_CONTENT。
3. 本地直接修图 / 批量处理图片：image_edit 提供缩放、旋转、滤镜、合成、水印、去背景、拼接、透视校正等纯 CPU 动作，图片不出本机。

版本兼容性：本版本专门兼容 dsh 0.1.1-rc.2 及 dsheac 5.1.0，已针对这两个版本进行适配测试与优化，确保稳定运行。同时兼容 DeepSeek Harness EAC 4.2.0 与 @deepseek-ai/dsh-client-ui-workspace rc.7。

🚀 后续将作为 DeepSeek Harness EAC 的内置视觉插件：本插件计划替换内置的 dsh-tool-vision，随 DSH EAC 桌面版直接捆绑发布，开箱即用（见上游 PR）。作为独立包发布的目的，是让非 EAC / 旧版用户也能通过 dsh plugin add picturereader 或 Git/npm 安装获得同等「看图 / 读文档」能力。

功能总览

① 视觉孪生 adapter（原生缩略图 + 自动分析）

• Proxy 原位包装：对被勾选的模型所属 provider，用 Proxy 把其 adapter 包装成「孪生」并原位替换（registerTwinAdapters，卸载经 ctx.effect 还原），不重复注册。
• listModels / resolveModel：对被勾选模型声明 inputModalities: ['text','image']、名称加「(视觉)」后缀 → DSH 认为它支持图片 → 原生缩略图渲染、图片块进会话、粘贴准入全部解锁。
• stream 拦截：捕获请求里的 image block → 导出到 ~/.dsh/picturereader-vision/images/ → 替换成文本路径 + 本地工具链引导 → 转发给原始 adapter。pi-ai 收到的是纯文本，不会报 UNSUPPORTED_CONTENT；opencode-go 等走 @earendil-works/pi-ai 的 provider 同样经此孪生获得原生缩略图能力。
• 隐私模式下分析只走本地工具，绝不外发。

② 智能路由（隐私 / 智能 / 严谨 三模式）

这是 picturereader 的"大脑"：统一在 routing.js + runtime.js 收敛「什么时候走外部 VLM、什么时候只用本地、要不要交叉验证」，供各工具 / 图片桥 / 视觉孪生 stream / vision_analyze 共享，保证整条图链都遵守同一套路由策略。

路由决策原理

每次看图，模型面对的问题其实是同一个：「这张图，值得花什么成本、用哪条路线读懂它？」picturereader 把答案预置成三种策略，模型据此自主决策，同时 host 侧做硬约束兜底：

图片进来 → 孪生 stream 拦截 / 工具被调用
        → 读入当前「模式」→ 得到该模式的路由策略
        → 模型 / 工具按策略选路线：
            本地像素分析（image_scan / image_sample）
            本地文字识别（image_ocr：windows / paddle / rapid）
            外部语义理解（vision_analyze include_vlm=true → VLM）
            交叉验证（多路证据对照）

核心决策函数 visionAnalyzeDefaults(mode) 定义各模式"默认的证据组合"：

三种模式的路线策略

🕶 隐私模式（Privacy）——零外呼硬门禁

• 绝不调用任何外部视觉端点，即使你在设置卡配了 API。
• 约束是 host 侧强制：runtime.js 使 isVlmConfigured() 恒为 false，vision_analyze 强制 include_vlm=false，视觉孪生 stream 的降级文本也明确"只用本地工具"。
• 模型只能用本地工具：image_scan / image_ocr / image_sample / image_crop / image_palette / image_compare / image_edit。图片字节不出本机。
• 适用：敏感图片（身份证、合同、私人截图）、离线、零外部流量审计场景。

⚡ 智能模式（Smart）——省轮数、省时间（默认）

• 目标：先把成本压到最低，复杂内容才值得外呼。
• 决策流程：先 image_scan 快速看整体 → 自行判断：
  1. 图片以文字为主 → image_ocr 读文字即可，不必调 VLM；
  2. 普通图表 / 界面 / 简单内容 → image_scan + image_sample 自己看就能说清，不必调 VLM；
  3. 仅当内容复杂、需语义理解（照片、抽象画面）且配置了端点时，才 vision_analyze(include_vlm=true) 走外部 VLM。
• 视觉孪生死活都会先把图片导出成本地路径，模型可随时本地深挖，不会被困在"必须外呼"的死路。

🎯 严谨模式（Strict）——交叉验证、细看细节

• 目标：可靠性优先，不贪省。
• 决策：先 image_scan 了解整体 → 必要时 image_ocr 读文字、image_sample 细看细节 → 对关键判断做交叉验证（把像素证据、OCR 证据、（可选）VLM 语义描述相互对照，不轻信单一来源）。
• 允许使用外部 VLM（需配置），但强度更高、可追溯。
• 适用：需要高准确率与可复现结论的场景（审图、校对、数据分析）。

隐私硬门禁贯穿所有入口：无论走哪个工具/桥，runtime.js 的模式快照都会在调用点做校验，routePolicyText(mode) 还会把当前策略注入给模型的提示里，双保险。

与视觉孪生 adapter 的协同

三模式不仅约束 vision_analyze，也约束视觉孪生 registerTwinAdapters 的 stream 拦截：图片块总是被无条件替换成文本（路径 + 本地证据引导，这是模型能读懂的前提），但是否/何时进一步外呼 VLM 由当前模式决定——隐私模式恒不透传图片、不发起外部调用；智能/严谨模式在需要且已配置时才走外部语义理解。因此"原生缩略图"与"隐私零外呼"可以同时成立，互不冲突。

③ 本地工具链（纯本地读取）

④ 文档转图片 document_to_image

把 pdf / docx / doc / xlsx / xls / pptx / ppt 逐页转成 PNG（LiberOffice headless → PDF → PyMuPDF），供模型逐页 OCR / 扫描分析。纯本地、零网络；支持 dpi / max_pages / out_dir / 批量 file_paths。

⑤ 外部 VLM 桥（已支持，由 LLM 自行调用）

已支持外部视觉 API，且调用时机完全交给 LLM 自主判断：配置好 OpenAI 兼容端点后（LM Studio / llama-server / 云端网关 / GLM-4V-Flash 免费模型），模型在智能 / 严谨模式下会自行判断"这张图是否值得外呼视觉模型"——简单内容用本地像素/OCR 就够，复杂内容（照片、抽象画面、需语义理解）才通过 vision_analyze(include_vlm=true) 调 sendVisionRequest 以 data URI 送图给外部 VLM，取回语义描述。baseURL 自动补 /v1/chat/completions（无需手写完整路径）。

• LLM 自行调用 = 你不用手动切模型/手动发图，模型按模式策略在该外呼时自己调外部 API。
• 隐私模式仍为硬门禁：即使配置了外部 API 也绝不调用、绝不外发图片字节。

⑥ 设置卡片「图片阅读」

Web 设置页注册「图片阅读」卡片：使用模式、外部视觉 API、视觉桥模型多选、高级设置（详见「设置卡字段」）。改动写 ~/.dsh/settings.yaml 即时生效。

⑦ 粘贴即用 + 缩略图

开启视觉孪生并选择「(视觉)」模型变体后：粘贴/拖入图片 → 原生缩略图 → 图片块进会话 → 被孪生 stream 拦截 → 导出文本路径 + 本地证据 → 纯文本模型拿到结果，可继续用 image_scan / image_ocr 深挖。

⑧ 本地修图工具 image_edit（v3.2.0 新增）

一个工具、多个 action 分发，后端为隔离的 image_venv Python（Pillow + OpenCV-headless，可选 rembg / rawpy / realesrgan CLI），纯 CPU、无需 GPU / 大模型。所有图片字节不出本机。

依赖安装：node scripts/setup-image-venv.mjs（核心）/ node scripts/setup-image-venv.mjs --full（再加 rembg + rawpy）。详见下方专门章节。

image_edit 本地修图工具

本地批量 / 单张修图。调用示例：

用 image_edit 把 <路径> 缩放到宽 800：action=resize, file_path=<路径>, width=800, height=600
给 <路径> 加左下角文字水印：action=watermark, file_path=<路径>, type=text, text="©2026", position=bottom_left, font_size=40
把 <背景> 和 <前景> 合成（贴图）：action=composite, file_path=<背景>, file_paths=[<前景>], position=bottom_right, alpha=0.8
把 <IMG1>、<IMG2> 水平拼接：action=stitch, file_path=<IMG1>, file_paths=[<IMG2>], direction=horizontal

支持的 action（P0 / P1 / P2）

依赖与降级策略

• P0 全部仅需 Pillow；P1 除 remove_background 外仅需 OpenCV-headless。
• remove_background 需要 rembg（--full）；raw_convert 需要 rawpy（--full）；upscale 需要外部 realesrgan-ncnn-vulkan CLI（环境变量 DSH_REALESRGAN_EXE）。
• 可选依赖缺失时，不是崩溃，而是返回清晰的中文提示（"请先运行 node scripts/setup-image-venv.mjs [--full]" / "请设置 DSH_REALESRGAN_EXE"）。
• image_venv Python 未搭建时，工具返回 node scripts/setup-image-venv.mjs 安装提示（与 document_to_image 的 doc_venv 一致）。
• 全部动作默认超时 120s；remove_background 300s；upscale / denoise 更长，避免后台阻塞。

与主流多模态插件的差异 / 优势

对比常见方案（dsh-tool-vision、dsh-image-paste、dsh-vision-bridge 等）：

1. 不绑定单一厂商：视觉孪生对任意 provider 生效（含 opencode-go / xiaomi / qiu 等 pi-ai 系），不是只适配某一家 API。
2. 全链路可离线：隐私模式零外呼；本地纯 JS 像素工具 + 3 引擎 OCR，不依赖云端。
3. 工具链完整：裁剪 / 取色 / 对比 / 批量 / 文档转图 / 本地修图 image_edit，一个插件全覆盖。
4. 原生缩略图：真正 DSH 原生图片块（inputModalities 声明），非文本路径模拟。
5. 快：本地工具毫秒级；可控 VLM 调用（低信息拦截 + 智能模式"值得才调"）省轮数与耗时。
6. 只写不读 key、隐私硬门禁：API Key 以 role:'secret' 保存、只写不读不回显；隐私模式经 runtime.js 强制 isVlmConfigured()=false。

快速上手

# 1. 安装插件
dsh plugin --profile web add picturereader        # npm 包；或从源码: dsh plugin --profile web add .
dsh plugin --profile headless add picturereader

# 2.（推荐）安装读图方法论 skill
copy skills\image-reading.md %USERPROFILE%\.dsh\skills\          # Windows
# cp skills/image-reading.md ~/.dsh/skills/                      # macOS / Linux

# 3.（可选）增强 OCR 引擎
node scripts/setup-ocr.mjs       # PaddleOCR（发光/弯曲/游戏字更强）
node scripts/setup-rapid.mjs     # RapidOCR（轻量快速）

# 4.（可选）文档转图片依赖（需已装 LibreOffice）
node scripts/setup-doc-venv.mjs  # 建 doc_venv 装 PyMuPDF

# 5.（可选）本地修图 image_edit 依赖
node scripts/setup-image-venv.mjs          # 建 image_venv 装 Pillow + OpenCV-headless + piexif
node scripts/setup-image-venv.mjs --full   # 再加 rembg（背景移除）+ rawpy（RAW）

重启 DSH Desktop 后：模型工具列表出现全部工具（含 image_edit），设置页出现「图片阅读」卡片。

启用视觉孪生（原生缩略图）

1. 在设置页「图片阅读」勾选要作为视觉孪生的文本模型，保存后重启 DSH。
2. 模型选择器中选择对应模型的「(视觉)」变体（如 deepseek-v4-flash (视觉)）。
3. 粘贴 / 拖入图片 → 原生缩略图 → 图片块自动分析为文本证据。

使用示例

用 image_scan 看一下 <路径> 这张图，细看感兴趣的部分
（复杂场景可接着用 vision_analyze；如有文字先 image_ocr；一批图用 image_batch；
  文档用 document_to_image 逐页转成图片再看；
  要修改图片用 image_edit，如 action=resize / watermark / remove_background）

Code Mode（工具折叠）兼容说明

DSH 的 tools 呈现有三种 mode：native（默认，模型可直呼所有工具）、code（只允许模型直呼 run_code，其它工具折叠进 run_code 的生成 SDK 内调用）、both（两种都能用）。

• picturereader 所有工具与 mode 无关：native / both 下全部可直呼；code 下也完全可用，只是要经 run_code 程序内调用（await tools.image_scan(...) / await tools.image_edit(...) / await tools.vision_analyze(...)）。工具会被自动投影进 run_code 生成的 SDK，一个都不少。
• 若报错 Error: unknown tool "vision_analyze" ... only run_code is callable directly ...——这不是插件坏了，而是当前会话处于 code 模式、仍以直呼方式发起了调用。两种情况任选其一：
  1. 把该部署的 tools.mode 设为 both（最省心：直呼 + run_code 都能用，不会降速）；
  2. 保持 code 模式，改用 run_code 程序调用（见下方示例）。
• 推荐：日常使用直接保持 native 或 both；code 是平台级的"只留 run_code"硬化模式，对本地看图工具是净亏（更多轮数、更多 token），非必要不开。

在 code 模式下用 run_code 调用示例（Python）：

async def main():
    r = await tools.image_scan({"file_path": r"C:\path\to\img.png"})
    return r

await main()

三模式（使用模式）

在 Web 设置 →「图片阅读」卡片顶部选择，修改即时生效。

隐私模式约束是 host 侧硬门禁（runtime.js）：isVlmConfigured() 在此模式下恒返回 false，vision_analyze 强制 include_vlm=false，图片桥引导也明确「只用本地工具」。

设置卡字段（图片阅读）

• 使用模式：隐私 / 智能 / 严谨（mode）。
• 启用外部视觉 API（选配）：勾选后才显示并允许调用外部视觉端点；不勾选一律走本地，图片绝不外发（vlm_enabled）。
• 勾选后显示：
  • 视觉 API Base URL（vlm_base，如 https://api.openai.com/v1 或 http://127.0.0.1:1234；留空=禁用外部 VLM）
  • 视觉模型（vlm_model）
  • 视觉 API Key（vlm_key，password+secret：只写不读，留空保持当前，填写保存即覆盖、不回显）
  • Key 环境变量（vlm_key_env，apiKey 为空时回退读取）
  • 默认 OCR 引擎（ocr_engine：windows / paddle / rapid）
• 视觉桥模型多选（vision_models）：勾选即生成该模型的「(视觉)」变体；改动需重启 DSH 生效；已勾选模型会被兜底并入列表保持打钩，与孪生注入一致。
• 高级设置（折叠）：

环境变量

本地修图 image_edit（选装，Pillow+OpenCV）

OCR（选装）

文档转图片（选装）

外部视觉 API / VLM（可选，也可在设置卡填）

设置卡 vlm_base / vlm_model / vlm_key 优先于环境变量；隐私模式下即使配置也不调用。端点未写 /v1 时自动补 /v1/chat/completions。

已知限制

• DSH attachment 单图默认约 5MB：超大图片可能被宿主上传限制拦截；工具端的 max_image_bytes（默认 50MB）是读取上限。
• 原生缩略图需启用视觉孪生：文本模型默认不被 DSH 视为「支持图片」，需在设置卡勾选生成「(视觉)」变体并重启。
• WebP 暂不支持：image_scan / vision_analyze 等对 WebP 报错，请先转成 PNG / JPEG；image_edit 的 convert 可把 WebP 转成 PNG/JPEG。
• image_edit 部分动作需可选依赖：remove_background（rembg）、raw_convert（rawpy）、upscale（realesrgan CLI）需 --full 安装或外部 CLI；缺失时返回安装提示而非崩溃。
• rembg 首次运行需联网下载 U²-Net 模型：约 35–176MB，缓存于 ~/.u2net；之后离线可用。
• 视觉桥模型勾选需重启 DSH 生效（vision_models 的改动不会热加载）。
• dsh-file-drop 需停用：其「拖入图片即注入文本」与视觉孪生/图片桥的自动分析可能冲突（重复/竞争注入），建议在对应 profile 停用；原生缩略图 + 图片桥自动分析已覆盖该需求。
• 外部 VLM 依赖网络/端点：未配置端点或离线时自动跳过并给出提示；隐私模式恒不调用。

拖拽上传问题排查

如果遇到图片拖拽上传不工作的问题，请按以下步骤排查：

1. 检查 dsh-file-drop 插件状态：在 DSH 设置中检查 dsh-file-drop 插件是否启用。如果启用，请尝试禁用它，因为该插件可能与 picturereader 的图片桥冲突。

2. 检查视觉孪生配置：确保在设置页「图片阅读」中已勾选需要视觉桥的模型，并重启 DSH。

3. 检查浏览器控制台：打开浏览器开发者工具，查看控制台是否有 [picturereader] 相关的日志输出。如果有错误信息，请记录并反馈。

4. 检查网络请求：在开发者工具的 Network 标签中，查看是否有 /picturereader/models 等请求。如果没有，可能是插件未正确加载。

5. 重启 DSH：某些配置更改需要重启 DSH 才能生效。

测试情况

v3.2.0 测试

• tests/image-edit.test.js：8 项 node:test 单测通过——action 校验、缺输入、request JSON 构造（action/from/from_extra/out/参数）、默认/动作专属超时、错误透传。
• 后端 scripts/image-edit.py 端到端冒烟（Pillow 12 + OpenCV 4.13）：24/24 通过，覆盖 resize(stretch/fit) / rotate / flip / convert(jpg/webp) / adjust / blur / sharpen / composite / watermark(text+image) / thumbnail / edges / equalize_hist(auto+clahe) / denoise / perspective / colorspace(gray/hsv/lab) / morphology / exif_read / 未知 action 负例。
• 既有的读图工具链、三模式、视觉孪生、document_to_image 测试保持通过。

v3.1.0 集成测试

内置 node:test 单测（工具、三模式、桥）+ 真实素材集成测试通过：本地工具链、文档转图片（pdf/docx/pptx/xlsx）、外部 VLM 真调通路（LM Studio）、三模式路由、视觉孪生 Proxy 均验证通过（24/24）。

v3.0.3 集成测试（2026-08-20）

132/132 单元测试通过 + 13/13 文档转换测试通过 + 全功能集成测试：

版本更新日志

v3.2.0（本次）

• 新增 image_edit 本地修图工具：22 种纯 CPU 动作（Pillow + OpenCV-headless，可选 rembg / rawpy / realesrgan CLI）——P0 基础（resize/rotate/flip/convert/adjust/blur/sharpen/composite/watermark/thumbnail）、P1 进阶（edges/equalize_hist/denoise/perspective/stitch/remove_background）、P2 高级（exif_read/write/raw_convert/upscale/colorspace/morphology）。
• 新增 scripts/setup-image-venv.mjs（--full 装 rembg+rawpy）与 scripts/image-edit.py 后端。
• 新增环境变量 DSH_IMAGE_PYTHON / DSH_REALESRGAN_EXE。
• 新增 tests/image-edit.test.js 单测 8 项 + 后端 24/24 冒烟，全部通过。

v3.1.x（前版）

• v3.1.0：新增 read_image 工具拦截（避免 image block 触发 UNSUPPORTED_CONTENT）；内置 image-reading 技能注册；内置依赖安装完整性修复落地。

v3.0.x（前版）

• v3.0.6：修复依赖安装完整性（jpeg-js/omggif/pngjs 随插件预装），图析功能不再静默失败。
• v3.0.5：修复 scope.load() 兼容（设置页「图片阅读」空白）。
• v3.0.4：Code Mode 工具折叠兼容说明。
• v3.0.3：设置持久化修复、PaddleOCR 字段名、本地 VLM 端点检测、cordis4 兼容。
• v3.0.0：视觉孪生 adapter、三模式路由、本地工具链、文档转图片、3 引擎 OCR、设置卡。

开发 / 仓库布局

# DSH 版（本仓库 main，代码在 dsh/）
npm install
npm test                       # node:test
node scripts/setup-ocr.mjs     # 可选
node scripts/setup-rapid.mjs   # 可选
node scripts/setup-doc-venv.mjs# 可选（文档转换）
node scripts/setup-image-venv.mjs  # 可选（本地修图 image_edit，--full 加 rembg/rawpy）
node scripts/preview.mjs       # 生成 fixtures 并预览渲染

• 热插拔：业务逻辑集中在 src/core.js 单文件，工具每次执行按 mtime 动态加载；工具定义（schema/描述）与设置卡改动需重启桌面端。
• ZCode 版：位于本仓库 zcode 分支（源码在 zcode/），经 MCP server 暴露工具，安装 npm install picturereader-zcode。两版共用 src/core.js 与读图方法论 skill。

License

MIT