Плагин dsh-vision-router для DeepSeek Harness

Плагин добавляет «глаза» текстовым моделям в DeepSeek Harness: DeepSeek остаётся «мозгом» диалога, а картинки на ходу передаются vision-модели, и разбор изображения становится обычным вызовом инструмента. В отличие от плагинов-«описателей», которые один раз превращают картинку в текст, здесь агент работает с изображением многошагово: находит элемент, вырезает, сравнивает попиксельно, правит вёрстку и снимает скриншот заново. Из коробки всё бесплатно — встроена анонимная цепочка из пяти моделей на OVHcloud без регистрации и ключа.

Что умеет:

• vision_describe — вопросы по картинке, сравнение нескольких изображений, структурированный JSON-ответ;
• vision_ground и vision_detect — координаты нужного элемента или нумерованный список всех кнопок, полей и ссылок в пикселях оригинала;
• vision_pixel_diff и vision_html_screenshot — цикл «эталон → скриншот → попиксельное сравнение → правка», пока расхождение не сойдётся;
• vision_ocr и vision_long_screenshot_ocr — распознавание текста локальным tesseract (китайский и английский) с откатом на vision-модель;
• vision_crop, vision_colors, vision_trace (SVG через potrace), vision_extract_foreground — кроп, палитра, векторизация, вырезание фона;
• кеш ответов по хешу изображения: в последующих текстовых ходах модель «помнит» картинку без повторных вызовов;
• цепочка провайдеров с классификацией ошибок: свои модели, локальные Ollama и LM Studio, свои HTTP-эндпоинты и в конце бесплатный фолбэк.

Установка: dsh plugin --profile web add dsh-vision-router; Python не нужен — обработка идёт на sharp, potrace, tesseract и системном Chrome. В диалоге нужно явно включить переключатель «Vision» рядом с полем ввода: вставка картинки сама по себе режим не включает. Свои vision-модели и бенчмарки настраиваются в «Settings → Vision Router»; README приводит таблицу бесплатных каналов (OVHcloud с ключом, Zhipu, DashScope, Groq, Google AI Studio, OpenRouter и другие).

На что обратить внимание: анонимный фолбэк ограничен двумя запросами в минуту на IP для каждой модели; захват экрана vision_screenshot выключен по умолчанию и требует явного включения.