dsh-vision-primitives

Native interactive visual-reasoning plugin for DeepSeek Harness (DSH).

给纯文本智能体装上"精确的眼睛":以 Set-of-Mark 编号网格 + 确定性像素坐标数学 为核心,让 Harness 智能体对屏幕/图片做精确到像素的视觉交互推理 —— 全程零外部 MCP 服务器,视觉推理内核 100% 在 DSH Host 运行时内以纯 JS 执行。

Design inspired by vision-primitives-mcp, re-implemented as a native DSH plugin (dynamic Cordis plugin, Host-only package).

特性

🧠 智能体即视觉模型	插件产出图片路径 + 确定性坐标数学;Harness 多模态智能体(或内置 MiMo 后端)看图决策,插件把"模糊感知"换算成"精确像素"
🎯 SOM 编号网格	vision_grid 叠加编号网格 → vision_resolve(cell) 得格子中心精确坐标,消除视觉模型坐标误差
🔍 局部无损放大	vision_zoom 最近邻放大(像素级保真),保留到原帧的坐标映射链
📐 几何验证	vision_annotate / vision_measure / vision_diff / vision_find_color / vision_ocr 确定性验证
🖥️ MiMo V2.5 后端	vision_describe / vision_locate(多模态理解 + 视觉定位),并注册 mimo 模型路由(LlmAdapter,流式/函数调用/图像输入全支持)
🧱 最小 OS 边界	仅截屏 / OCR / 二进制落盘 3 类走 Host 原生 subprocess 服务调用 Windows PowerShell 系统脚本;不含桌面键鼠控制
🔒 零硬编码密钥	MiMo API key 从 DSH credentials 惰性读取,不写入源码

安装(官方 profile bundle 方式)

纯 JS 包,无 build 脚本,无需 pnpm allowBuilds 许可:

dsh plugin --profile <name> add github:zouyuanqing/dsh-vision-primitives

然后启动 DSH 即可;插件注册 vision_* 工具集到当前会话。

也支持 github:zouyuanqing/dsh-vision-primitives#<commit-sha> 固定版本安装。 该包同时是一个 npm 包(dsh-vision-primitives),dsh plugin add dsh-vision-primitives 也可。

配置 MiMo 后端(可选)

vision_describe / vision_locate 与 mimo 模型路由需要 MiMo API key:

dsh credentials set MIMO_API_KEY <your-key>

模型:mimo-v2.5(Xiaomi 官方 API,OpenAI 兼容,1M 上下文,全模态理解)。未配置 key 时,相关工具会给出明确报错提示;纯本地视觉原语(网格/缩放/标注/测量/差分/颜色/OCR)不需要任何 key。

工具集

工具	功能
vision_capture	截屏(全屏/区域,多显示器合并)或读取工作区 PNG → 会话帧
vision_grid	Set-of-Mark 编号网格叠加,返回带编号图片 + 每格精确 box/center
vision_resolve	格子/框/点 → 帧内精确像素坐标 + 绝对屏幕坐标,记为定位锚点
vision_zoom	局部无损放大(最近邻,像素级保真),保留到原帧的坐标映射链
vision_annotate	box/point/cross/line/text 标注绘制(视觉验证)
vision_measure	两点距离/位移/夹角,或框面积
vision_diff	帧差分(确定性变化检测):变化像素 bbox/比例 + 高亮图
vision_find_color	颜色分割 + 连通域(CV 像素级定位,零视觉模型)
vision_ocr	Windows 原生 OCR,返回词的文本框与帧/屏幕坐标(文本锚定)
vision_describe	MiMo 描述当前帧(多模态理解,需 API key)
vision_locate	MiMo 视觉定位,返回包围盒,自动反算原帧/屏幕坐标(需 API key)
vision_state / vision_reset	会话状态查看 / 清空

典型工作流(交互式图形推理协议)

vision_capture(screen|file) → vision_grid → read_image 选格
→ vision_resolve(cell) 得精确坐标 → vision_zoom 局部放大精修
→ vision_annotate / vision_measure / vision_ocr / vision_find_color 验证
→ vision_capture + vision_diff 变化检测

原生内核(纯 JS,已验证)

• inflate(RFC1951 全块类型:stored/fixed/dynamic)+ zlib 包装 —— 经 Node zlib 差分对拍 7/7 样本通过
• PNG 编解码(RGBA/灰度/调色板,8/16bit,5 种滤波器;编码用 stored-deflate)—— 2560×1600 真实截屏解码 ~60ms,编码回环逐字节一致
• CRC32/Adler32、最近邻缩放、5×7 点阵字体、SOM 网格、Bresenham 线、连通域分析、帧差分

运行测试

node kernel-test.js        # 内核自测(解码真实截屏 + 编码回环比对)
node inflate-diff-test.js  # inflate 与 Node zlib 差分对拍

文件

• index.js —— bundle 入口(官方 defineTool 门面 + 插件体加载)
• plugin.host.js —— 插件源码(与 DSH 动态插件沙箱 code.host 完全同一份)
• mimo-client.cjs —— node 子进程 SSE 客户端(直连 Xiaomi MiMo API)
• cordis.patch.yml —— bundle 补丁层
• kernel-test.js / inflate-diff-test.js —— 内核测试

已知限制

• 屏幕截取 / 原生 OCR 目前为 Windows 实现(PowerShell Graphics.CopyFromScreen / WinRT OcrEngine)
• 帧文件存储于 sandboxPolicy.workspaceRoot/.vispri
• 插件为 Host-only 包(无 Client UI 半部)

License

MIT