插件

为 DSH 上的纯文本模型提供视觉插件：通过分层证据记忆与缓存，实现图片理解与生成的原生交互及 GUI 自动化。

将聊天图片交给固定的 OpenAI 兼容视觉模型，把事实性观察交给当前主模型，并在事件回放、上下文压缩和重启时复用会话内观察。

DeepSeek Harness 语音：为纯文本 DeepSeek 提供语音转文字输入及 TTS 朗读，无需 API Key。

DSH bundle：为纯文本模型提供 qwen_vision（Qwen-VL 图片理解）和 qwen_generate（Qwen-Image 文生图）。

DeepSeek Harness 视觉工具包：glance/ground/detect/crop 等 CLI 工具，让纯文本 Agent 也能理解图像。

DeepSee：为 DeepSeek Harness 提供视觉、多模型路由及交付前 Gemini 视觉自检。

从本机摄像头抓一帧实时画面，以图片形式交给 agent，让它真正从摄像头看见画面——不用打开相机应用，也不要求窗口在前台。暗光房间不会再拍成一片黑，亮度、伽马、对比度、锐化和自动拉伸都在抓帧时一次做完。首次使用时自动下载 ffmpeg，配套还有一个工具用于列出可用采集设备。

任意会话都能让视觉模型读本地图片，包括会话本身用的是纯文本模型的情况。默认路径下插件通过 ctx.llm.stream() 在进程内调用宿主路线，宿主凭据留在 provider 适配器里；只有可选的 direct/自定义 OpenAI 兼容路线会读取密钥（来自插件配置或 apiKeyRef 指向的 ~/.dsh/.credentials.yaml）。

在 DSH 使用自有 OpenAI 兼容视觉模型，先描述图片再交主模型；另有 image_understand 工具读取图表、截图、界面及 OCR。

让纯文本模型看懂视频：需本机装好 ffmpeg；按 0.1–10 秒的可调间隔抽帧拼成总览图，每格烧录该帧的真实时间码；提取音轨后上传到听脑（需配置 ITINGNAO_API_KEY）转写成带时间戳的台词；并自行调用宿主里的视觉模型逐页描述画面，因此不依赖任何其他视觉插件。输入框上方有抽帧间隔滑块，纯音频文件则跳过抽帧只做转写。

为 DeepSeek Harness 增加「全模态设置」分区：可把生图 / 生视频指向任意 OpenAI 兼容端点，多套配置档案可随时切换，图片与视频各自独立的接口地址、API Key、模型、路径与尺寸，支持自由填写额外请求参数、不消耗额度的连通性测试，并注册 generate_image / generate_video / check_video 三个模型可见工具，异步视频任务可跨重启保留。

移除拦截图片请求的多模态能力门禁：改写 llm.resolveModelInfo 的返回值与适配器模型表，为未声明 input 的路由补上 image 输入能力，使其可以发送和读取图片。不改 app.asar，也不改配置树。

DSH 的 macOS 无显示器优先 Computer Use 驱动：AX 优先观察、窗口多模态证据、宿主审批及有据动作回执。

为 DeepSeek Harness 提供 MiMo 语音输入、语义理解和语音合成工具，以及可配置的浏览器语音界面。

声明第三方模型是否支持图像（多模态）输入，写入所属提供方设置并通过运行时模型解析校验。

自动探测并配置 llm-pi-ai 的模型能力：补齐自建网关下缺失的思考等级（reasoningEfforts）与输入模态（是否支持图片）两个字段。

TokenLab 的 DSH provider bundle：原生支持 Responses、Messages 与 Chat 路由，并带多模态与异步工具。

面向 dsh 的 88API 图像工作室：四款 Image2 与 Nano Banana 模型，支持文生图、多参考图编辑与 2K/4K 输出

GLM 视觉模型插件：注册 glm-vision 供应商路由（glm-4.6v 系列）并提供 glm_vision 工具，让文本主模型直接调用智谱视觉模型看图。

轻量、保持路由的 DSH 视觉链路：由配置好的视觉模型看图，而你所选文本模型继续掌控推理与最终回答

vision_analyze 工具：把本地图片或 URL 交给 OpenAI 兼容的视觉模型分析并返回文字。

纯文本 dsh 模型的识图插件：粘贴图片自动由你配置的多模态模型转成文字——透明孪生路由、模型可自主调用识图工具、无内置密钥与中转。

明眸 VisionBridge：纯文本模型收到图片时自动调用视觉模型识别，把文字喂回主模型，全程无感、可配置。

为 DeepSeek Harness（DSH）提供确定性的媒体总量预算与安全的请求投影。