Yts1919/dsh-vision-complete
给 DeepSeek 补上「眼睛和耳朵」的多模态视觉插件：看图 / OCR / 物体检测 / 视频理解 / 语音转写 / 截图直读，一键安装（DSH 插件）。
安装Install
dsh plugin --profile web add github:Yts1919/dsh-vision-complete把 Yts1919/dsh-vision-complete 加入你的 DSH 配置（web profile）即可启用。
READMEREADME
DeepSeek 完整视觉能力插件（Vision-Complete）
一键安装，让 DeepSeek 拥有「眼睛和耳朵」：看图、取字、定位物体、理解视频、转写语音、分析音乐、读 PDF/文档、截图直读。
DeepSeek 本身是纯文本模型，看不到图、听不到声。这个插件把下面两套东西整合成一个包，装一次就能用：
| 组成 | 作用 |
|---|---|
skills/vision-multimodal |
核心 skill：教 DeepSeek 该调哪个工具看图/听声。含 vision.py（零依赖，可接任意 OpenAI 兼容视觉模型） |
tools/screenshot-tool |
Windows 截图自动保存：截图后剪贴板自动变成图片路径，粘贴即让 DeepSeek 读图 |
| qwen-mm-plugins MCP（安装时自动注册） | 三个 MCP 服务器（core / api / video-memory），提供通义千问的云/本地视觉工具 |
references/ |
API Key 配置、多供应商切换等说明 |
一、安装（4 步）
需要 Windows + PowerShell。全程约 5 分钟。
🔑 开始前先知道一件事：这个插件本身不含「眼睛」模型，它是调用云端视觉大模型（默认通义千问）来替你看图。所以你必须先准备一个 API Key（见第 3 步）。没有 key，装完也用不了——这是唯一绕不开的一步，别跳过。
第 1 步：下载本仓库并解压
在仓库页点绿色 Code 按钮 → Download ZIP → 解压到任意位置；或用命令：
# GitHub（国内打不开就用下面的 Gitee 地址）
git clone https://github.com/Yts1919/dsh-vision-complete.git
# Gitee 码云（国内访问更快）
git clone https://gitee.com/yonnn/dsh-vision-complete.git
比如解压/克隆到 C:\DeepSeek-Vision\（文件夹叫什么名字都行，不影响安装）。
💡 解压到 D 盘、E 盘、桌面等任何位置都一样：比如你解压到了
D:\我的插件\DeepSeek-Vision，后面就在这个文件夹里双击install.bat操作即可。盘符（C:/D:/E:…）和文件夹名都不影响安装——只要记得自己解压到了哪里、进到那个文件夹就行。
第 2 步：双击 install.bat 安装
最简单：直接双击 install.bat，会弹出安装窗口并自动完成安装（装 skill → 注册 MCP → 装截图工具 → 环境自检）。窗口最后会停住，看到「安装完成」就是成功。
⚠️ 不要右键
install.ps1选「使用 PowerShell 运行」——那样脚本一跑完（或一报错）窗口就会一闪就关，什么也看不到。install.bat已经内置了执行权限和结束停留，双击它最稳。
命令行方式（可选，路径换成你自己的实际位置）：
# 先进入你解压出来的文件夹（把下面路径改成你的实际路径，例如 D:\我的插件\DeepSeek-Vision）
cd C:\DeepSeek-Vision
powershell -ExecutionPolicy Bypass -File .\install.ps1
第 3 步：配置 API Key（必做，否则云端模型用不了）
打开这个文件，按里面步骤 5 分钟搞定：
C:\Users\你的用户名\.dsh\skills\vision-multimodal\references\api-key-setup.md
一句话版：去 阿里云百炼 建一个 API-KEY，然后 PowerShell 执行：
setx DASHSCOPE_API_KEY "sk-你的key"
最后完全退出并重启 DeepSeek Harness，完成。
第 4 步：验证是否成功
- 随便找一张图片（或按
Win+Shift+S截一张），拖进 DeepSeek 聊天框。 - 对它说「描述这张图」。
- ✅ 能返回图片内容 = 装好了，开始用吧。
- ❌ 报「没有 API Key / 401」→ 回第 3 步：确认
DASHSCOPE_API_KEY已设置，并完全退出重开 Harness。 - ❌ 报「没有
mcp__qwen-mm-plugins-*工具」→ 看下面「常见问题」第二条。
💡 兜底办法：如果实在配不好环境变量，直接把 API Key 整段粘贴发给 DeepSeek 也行（例：「这是我的 key：sk-xxx，接下来看图都用它」）。它会在本次对话里直接用这个 key 看图。注意这只是临时方案，重启后仍建议按第 3 步配好，这样每次都能自动生效。
二、怎么用
装好后，直接跟 DeepSeek 说话就行，不需要记命令。例如：
- 「描述一下这张图」+ 发图
- 「把这张截图里的文字提取出来」
- 「图里的猫在哪个位置，帮我画个框」
- 「总结这段视频讲了什么」+ 发视频
- 「把这个会议录音转成文字」
- 「这张 PDF 第 2 页讲了什么」
模型会自动触发 vision-multimodal，自己选对工具。
截图直读（装了 screenshot-tool 后）
这个功能让你截完图直接就能让 DeepSeek 读，不用手动存文件、再拖文件，特别适合截屏提问。
原理：装插件时附带了一个「截图监控」小脚本。它开着时，你按截图键，截图会自动存成 PNG 文件，同时剪贴板会被替换成这张图的路径文字——所以你粘贴出来的是路径，DeepSeek 顺着路径就能读到图。
第 1 步：开启截图监控（只需做一次，之后保持窗口开着）
- 打开文件夹
C:\Users\你的用户名\.dsh\tools\screenshot-tool\（~\.dsh里的~就是你的用户目录，例如C:\Users\张三）。 - 双击
start-screenshot-autosave.bat→ 会弹出一个黑色小窗口，别关它（关掉监控，截图直读就停了）。 - （可选）想以后开机自动开启：双击
install-autostart.bat一次即可，之后就不用每次手动开。
第 2 步：截图并提问
- 按
Win+Shift+S，用鼠标框选要截图的区域。 - 回到 DeepSeek 聊天框，按
Ctrl+V粘贴 —— 这时粘出来的是一个.png路径（不是图片本身，这是正常的）。 - 直接说「读一下这张图 / 把里面文字提取出来」即可。
什么时候会生效？ 只有当 DeepSeek（
127.0.0.1:3080）开着时，截图才会被自动接管；DeepSeek 关掉后，截图恢复正常（剪贴板里是图片，可正常贴到微信、Word 等）。
截图存到哪了？ 双击同目录下的 open-save-folder.bat 一键打开保存目录。默认保存在 C:\Users\你的用户名\Pictures\DeepSeek-Shots；想换位置，设置环境变量 DS_SHOT_DIR 即可（见 tools/screenshot-tool/README-使用说明.md）。
换别的模型（可选，方式 B）
先说结论：绝大多数人用不着这一节。 插件默认走「方式 A」——直接调用**通义千问（Qwen）**的视觉模型，你只要在「安装」第 3 步配好 DASHSCOPE_API_KEY 就能看图/听声了，下面这段可以直接跳过。
只有这两种情况才需要往下看：
- 你想换别的厂商模型（OpenAI / 智谱 GLM / Kimi / 硅基流动 / 本地 Ollama）；
- 你的环境里没有 MCP 工具（即「方式 A」不可用）。
这时用「方式 B」——命令行调用 vision.py（零第三方依赖，装个 Python 3.7+ 就能跑）。三步：
# 第 1 步：生成配置文件（只需做一次）
copy config.example.json config.json
# 第 2 步：用记事本打开 config.json，把 "provider" 改成你要的厂商，例如：
# "provider": "openai" → 用 OpenAI
# "provider": "glm" → 用智谱 GLM
# "provider": "kimi" → 用月之暗面 Kimi
# "provider": "qwen" → 用通义千问
# "provider": "ollama" → 用本地 Ollama（无需 key）
# 第 3 步：设置对应厂商的 API Key，然后运行（以 OpenAI 为例）：
setx OPENAI_API_KEY "sk-你的key"
python vision.py chat --image 图.png --prompt "描述这张图"
每个厂商对应的 Key 环境变量名、接口地址、注册/拿 Key 的网址，都列在 skills/vision-multimodal/references/providers.md，照着填就行。
三、能力清单
| 能力 | 说明 |
|---|---|
| 🖼 图片理解 / 问答 | 描述、问答、看图说话 |
| 🔤 OCR 取字 | 截图、票据、文档拍照提取文字 |
| 🎯 物体检测定位 | 找目标、画框、裁剪 |
| 🎬 视频理解 | 画面+声音时间线、找事件、数次数 |
| 🎙 语音转写 | 普通转写、带时间戳、多说话人分离 |
| 🎵 音乐分析 | 风格、情绪、乐器、调性 |
| 📄 文档可视化 | PDF / Office / CSV / 代码 / 3D / notebook |
| 📷 截图直读 | 截图自动存盘并转成路径 |
| ✂️ 图像分割 | 把目标从图里抠出来（进阶，需 SAM3） |
| 🎞 长视频（30 分钟+） | 语义记忆与检索 |
四、常见问题
| 现象 | 解决 |
|---|---|
| 报 401 / 没有 API Key / 鉴权失败 | 还没配 DASHSCOPE_API_KEY，或配了但没完全退出重开 Harness（环境变量只在重启后生效） |
模型说「没有注册 mcp__qwen-mm-plugins-* 工具」 |
① 确认装了 uv（install 窗口自检会提示）；② 完全退出并重开 Harness（MCP 服务器要重启才加载） |
只能用 vision.py、没有 MCP 工具 |
同上；vision.py 也能看图，但同样要先配好 Key |
python vision.py 报找不到命令 |
装 Python 3.7+，勾选「Add to PATH」 |
vision.py 报 SSL / _ssl 模块错误 |
你的 Python 环境坏了（常见于 Anaconda），换官网安装的 Python 或修复后重试 |
| 视频转写报 ffmpeg 缺失 | 安装 ffmpeg 并加入 PATH |
| 截图粘贴出来还是图片不是路径 | 确认截图监控窗口在运行、DeepSeek 端口是 3080（否则设 DS_PORT） |
| 想卸载 | 双击 uninstall.bat |
附：打不开 GitHub 怎么办？
GitHub 在国内有时打不开，但本仓库已同步到 Gitee（码云），国内可直接访问：
① Gitee 下载（国内秒开，推荐）
- 网页：打开 https://gitee.com/yonnn/dsh-vision-complete → 点「克隆/下载」→ 下载 ZIP；
- 或命令行：
git clone https://gitee.com/yonnn/dsh-vision-complete.git
② 让作者直接发你压缩包
找作者（QQ / 微信 / 网盘 / 群文件）要 dsh-vision-complete.zip，解压后双击 install.bat 即可。
③ 镜像加速站（备用） 把下面地址完整粘到浏览器地址栏，回车会直接下载压缩包：
https://ghproxy.com/https://github.com/Yts1919/dsh-vision-complete/archive/refs/heads/main.zip
若失效，把开头的
ghproxy.com换成gh-proxy.com、ghfast.top、mirror.ghproxy.com再试。
五、目录结构
（仓库根目录 = 你解压/克隆出来的文件夹）
├── install.bat ★ 双击这个安装
├── install.ps1 安装脚本（install.bat 会自动调用）
├── uninstall.bat 双击卸载
├── uninstall.ps1 卸载脚本
├── README.md 本说明
├── LICENSE MIT
├── skills/
│ └── vision-multimodal/
│ ├── SKILL.md 核心 skill 指令
│ ├── vision.py 多供应商视觉客户端（零依赖）
│ ├── config.example.json
│ └── references/
│ ├── api-key-setup.md 配置 DASHSCOPE_API_KEY
│ └── providers.md 多供应商接入
└── tools/
└── screenshot-tool/ 截图自动保存工具
六、许可证
MIT。依赖的 qwen-mm-plugins 由 QwenLM 提供，按各自许可证使用。
相关推荐Related
- deepseek-ai/deepseek-harness DeepSeek Harness: Everything is a Plugin.
- deepseek-ai/deepseek-harness DeepSeek Harness (dsh) — 由 DeepSeek AI 开发的开源 agent harness（智能体框架）。一切皆插件：核心 + 插件 + 技能 = 可热插拔的 AI 编程工作台。DeepSeek Harness: …
-
nexu-io/open-design
🎨 Best DeepSeek Harness Design Plugin. The open-source Claude Design alternative. 🖥️ Local-first desktop app. 🖼️ Your…
-
ruvnet/ruflo
🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build c…
-
amruthpillai/reactive-resume
A one-of-a-kind resume builder that keeps your privacy in mind. Completely secure, customizable, portable, open-source a…
-
volcengine/OpenViking
Self-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.
-
Molunerfinn/PicGo
:rocket: The Ultimate Image Uploader for Efficient Creators. Supports Obsidian, Typora, VS Code etc. and 60+ image hosti…
-
titanwings/colleague-skill
将冰冷的离别化为温暖的 Skill，欢迎加入数字生命1.0！Transforming cold farewells into warm skills? It's giving rebirth era. Welcome to Digital …