DS 视觉桥 Plus (ds-vision-skill-plus)

DS 视觉桥 Plus —— 或是目前解决 DeepSeek 视觉问题的最佳方案？

这是一个给纯文本推理模型（DeepSeek 等）加"眼睛"的多通道视觉增强 Skill。它不替代主模型，而是负责视觉任务识别、工具选择、结果整理：

视觉增强：把图片、截图、PDF、扫描件利用第三方多模态模型转成文本/标准化 JSON 后，交给 DeepSeek 推理。

生图转发：支持生图转发，把生图需求交给用户配置的第三方模型，生成结果以图片形式展示给用户。

(ps：本项目由 Sorwcyra/ds-vision-skill: ds-vision-skill：专注于视觉技能的开源项目，提供高效、可复用的计算机视觉能力，助力AI应用快速落地。演进而来)

作者寄语

最近 deepseek-v4-flash-0731 的发布开启了新一轮缩圈，可多模态问题仍旧是 DeepSeek 的最大缺点（都这价格了要什么自行车）。在开发过程中，Agent 可能会因为没有视觉功能而在用户对需求理解上产生较大误解，这使得视觉功能成为了一个可以不用，但不能没有的模块。

此 Skill 是基于 Chenyang Wang 大佬的 ds-vision-skill的思路进行的改良版本，核心提升在于以下两点：

视觉通道通用化：从固定 GLM 模型改为 通用 OpenAI 兼容模型配置，解决原 Skill 硬编码和无法迭代新模型进行识图能力提升的问题。
新增生图功能：实现给纯文本推理模型也能做到像 多模态模型 一样在 Agent 工具里进行生图。识图通道和生图通道为独立配置，相互解耦。若没有生图需求，可单独配置识图模型，Skill 会自动判断并正常执行识图功能。

Q: 现在 GPT 和 Codex 融为一体，直接 GPT-Plus 就能完成的任务为什么还要安装这个 Skill？

A: 在开发 Skill 过程中我也有思考这个问题。即使站在作者本人层面上来说，也无法否定装了 deepseek + ds-vision-skill-plus 能力上还是不如直接 GPT-Plus 强。但开发这个 Skill 的初衷在于为最平民易用的 deepseek-v4-flash-0731 + reasonix 拓展能力，达到极低成本获得较高的 Vibe Coding 体验。

并且由于识图/生图模型可自由配置，未来出了更强的识图/生图模型也能继续为 DeepSeek 等一众纯文本推理模型赋能。毕竟并不是所有人都需要每个月花 20 刀来用 GPT-Plus。实际上如果不是进行真正意义上企业级项目开发，依据我本人经验来看 deepseek-v4-flash-0731 能力也完全够用了。

如果你生成了一坨"屎山"代码，不妨试试优化 Prompt，为 Agent 添加 Skill、MCP、Plugin 拓展 Agent 本身的能力呢？最后也希望 DeepSeek 能够越来越好，梁圣恩情还不完啊！！！

—— 2026/8/4 KagaribiDev

免责声明

系统兼容性：ds-vision-skill-plus 只在 Windows 系统上进行过测试，对于 Mac 用户的适配可能存在问题。
Agent 兼容性测试：
- 测试用 Agent 有 Codex, Zcode, Reasonix。
- 在测试过程中 Zcode, Reasonix 均能完美调用 Skill 生图和识图功能。
- Codex 特殊情况：Codex 生图功能正常，但无法在附件里上传图片。预测是 ccswitch 有强制校验功能不允许外接 DS 情况下上传图片。
- 解决方案：直接让 Codex 自己读取图片。
- Prompt 示例：解释一下内容 <图片路径> 2026-08-04 132739.png

具体测试模型配置参考：

识图模型：

base_url=https://dashscope.aliyuncs.com/compatible-mode/v1
model=qwen3.7-plus
# 自行去(https://platform.qianwenai.com/home)注册,有免费额度
api_key=sk-xxxxxxx

生图模型：

base_url=https://api.siliconflow.cn/v1/images/generations
model=Kwai-Kolors/Kolors
# 自行去(https://cloud.siliconflow.cn/me/account/ak)注册，有免费额度
api_key=sk-xxxxxxx

作者为第一次写实用性开源 Skill，表述可能存在不当，如有疑问可向作者进行反馈，作者很好说话的喵。

快速开始

1. 安装

在 PowerShell 中执行以下命令进行安装：

git clone https://github.com/KagaribiDev/ds-vision-skill-plus.git "$env:USERPROFILE\.reasonix\skills\ds-vision-skill-plus"

安装后先配置通道（见下），即可直接使用：向 Reasonix/DeepSeek 发一张图片或一个 PDF 问"看看这张图"、"识别图中文字"、"解析这个文档"，或说"帮我画一张图"，即可自动路由。

2. 配置云端通道

请先进入你的 Skill 目录：（ps:api_key会存到你的用户变量里请不用担心密钥泄露的问题）

# 此处以 Reasonix 为例，其他 Agent 同理
# 如果是第一次安装skill则skills目录可能不存在，若不存在自己建一个skills即可
cd C:\Users\<用户名>\.reasonix\skills

配置命令速查：

功能	命令	说明
配置视觉默认通道	`scripts\setup.ps1 -SetCustom -BaseUrl <url> -Key <key> -Model <model> -Verify`	必配才能识图；可配任意 OpenAI 兼容模型
配置免费降级通道	`scripts\setup.ps1 -SetKey -Channel glm -Key <key> -Verify`	建议配置，用于兜底
配置生图通道	`scripts\setup.ps1 -SetGen -BaseUrl <url> -Key <key> -Model <model> -Verify`	必配才能生图；服务商需支持 `images/generations`
查看状态	`scripts\setup.ps1 -Status`	查看当前可用通道配置情况

详细配置示例：

# 1. 查看可用通道（此时应为 missing: xxx_API_KEY）
scripts\setup.ps1 -Status

# 2. 配置视觉默认通道（必配才能识图；也可只配 GLM 走免费兜底）
scripts\setup.ps1 -SetCustom -BaseUrl https://dashscope.aliyuncs.com/compatible-mode/v1 -Key sk-xx -Model qwen3.7-plus -Verify

# 3. 配置生图通道（必配才能生图；服务商需支持 images/generations）
scripts\setup.ps1 -SetGen -BaseUrl https://api.siliconflow.cn/v1/images/generations -Key sk-xx -Model Kwai-Kolors/Kolors -Verify

# 4. 再次查看可用通道（此时若为 configured 则配置成功）
scripts\setup.ps1 -Status

3. 常用脚本指令

功能	命令示例
识图	`scripts\vlm-vision.ps1 -ImagePath <图片路径> -Prompt "用中文描述这张图片" -Channel custom -Json`
生图	`scripts\image-gen.ps1 -Prompt "一只戴着眼镜的柴犬,卡通风格" -Json`
纯文字提取	`scripts\baidu-ocr.ps1 -ImagePath <图片路径> -Json`
文档/PDF 解析	`scripts\mineru-extract.ps1 -FilePath <文档路径> -Json`
移除配置	`scripts\setup.ps1 -RemoveKey -Channel <name>`	custom	gen

4. 配置引导

scripts\setup.ps1 -Help # 查看注册入口与命令

# 默认视觉通道（可配任意openai兼容模型）
scripts\setup.ps1 -SetCustom -BaseUrl <url> -Key <key> -Model <model> -Verify

# 生图通道（必配才能生图）
scripts\setup.ps1 -SetGen -BaseUrl <url> -Key <key> -Model <model> -Verify

# GLM 免费降级通道
scripts\setup.ps1 -SetKey -Channel glm -Key <key> -Verify

# 百度 OCR 通道
scripts\setup.ps1 -SetKey -Channel baidu-ocr -Key <ak> -Secret <sk> -Verify

注意：配置写入用户级环境变量（注册表），立即生效；脚本输出只显示 key 掩码，不打印明文。

功能特性

通用视觉模型配置：视觉默认通道为 custom，请求路径 / API Key / 模型名统一按 OpenAI 规范配置（VISION_CUSTOM_BASE_URL / VISION_CUSTOM_API_KEY / VISION_CUSTOM_MODEL），想用 Qwen、GLM、GPT-4o 或任何 OpenAI 兼容模型都只需填一次配置，不再有专门的固定模型通道。
生图转发：Agent 收到生图需求自动调用 image-gen.ps1，按 OpenAI 标准 images/generations 接口转发到用户配置的生图模型（VISION_GEN_*），生成完毕保存到用户 Downloads 目录并在回答末尾展示图片（三级展示策略：URL → 工作区相对路径 → base64）。
免费兜底：GLM-4V-Flash / GLM-4.1V-Thinking-Flash 保留为降级通道，custom 失败自动切换，不额外花钱。
三层视觉能力：视觉理解（custom 默认 / GLM 免费降级）、文档解析（MinerU）、OCR（百度 OCR 优先，Windows 本地 OCR 兜底）。
自动路由：按任务类型（生图 / 图片理解 / 文档解析 / 纯文字提取）选择工具；无法判断时默认走 custom 通道。
标准化输出：所有工具结果统一为 {task_type, tool_used, confidence, result, metadata} JSON。
降级链：custom 失败 → GLM → Thinking → 本地 → OCR 兜底；MinerU 失败 → OCR；OCR 质量低 → GLM/custom 复看。
成本优化：识图结果按"图片哈希 + prompt + 模型"缓存，命中直接复用；生图按次计费不做缓存。
配置引导：setup.ps1 一条命令完成通道注册、key 保存（用户级环境变量）、验证与移除。
本地模型选型：内置 llmfit 检测本机硬件（RAM/CPU/GPU），自动推荐可跑的视觉模型。

目录结构

SKILL.md                # 技能定义（触发描述、路由规则、输出规范、降级与成本策略）
agents/
  openai.yaml           # UI 元数据
references/
  channels.md           # 通道表：模型 ID、base URL、环境变量、注册入口
scripts/
  vlm-vision.ps1        # 通用视觉理解/推理（custom 默认 / glm / glm-thinking / local）
  image-gen.ps1         # 生图（OpenAI images/generations → 保存本地 PNG 并返回路径/URL）
  baidu-ocr.ps1         # 百度 OCR（标准 / 高精度）
  windows-ocr.ps1       # Windows 离线 OCR
  mineru-extract.ps1    # MinerU 文档解析封装（Markdown 输出）
  preflight.ps1         # 通道可用性检查（只读）
  setup.ps1             # 配置引导（Status/Help/SetKey/RemoveKey/SetCustom/SetGen/Verify）
  local-select.ps1      # llmfit 本地视觉模型选型

🔌 通道列表

通道	用途	环境变量	费用
custom (默认视觉)	视觉理解（用户自定义 OpenAI 兼容模型，可填 Qwen/GLM/GPT-4o 等）	`VISION_CUSTOM_BASE_URL` + `VISION_CUSTOM_API_KEY` + `VISION_CUSTOM_MODEL`	视服务商
image-gen	生图（OpenAI images/generations）	`VISION_GEN_BASE_URL` + `VISION_GEN_API_KEY` + `VISION_GEN_MODEL`	视服务商
glm	降级视觉理解（GLM-4V-Flash）	`GLM_API_KEY`	免费
glm-thinking	降级复杂视觉推理（GLM-4.1V-Thinking-Flash）	`GLM_API_KEY`	免费
baidu-ocr	图片文字识别（标准/高精度）	`BAIDU_API_KEY` + `BAIDU_SECRET_KEY`	免费额度
windows-ocr	离线文字提取（WinRT OCR）	无	系统自带
mineru	PDF/论文/表格/公式 → Markdown	`MINERU_TOKEN`（仅 extract 模式）	flash 免 token
local	本地视觉模型（llmfit 选型）	`VISION_LOCAL_MODEL`	离线免费

📝 输出规范

所有视觉/生图工具结果统一为以下 JSON 格式：

{
  "task_type": "image_reasoning | image_generation | document_parsing | ocr",
  "tool_used": "实际调用的模型或工具",
  "confidence": "high | medium | low",
  "result": "视觉分析内容 / 生图本地文件路径",
  "metadata": {
    "额外信息（生图含 url 展示链接）": "..."
  }
}

生图展示：生图完成后，Agent 会在回答末尾展示图片（三级策略，按优先级）：metadata.url 公网链接 → 复制到工作区用相对路径 → base64 data URI 嵌入；同时附本地保存路径说明。
文件保存：生成的所有图片默认会保存在用户 Downloads 目录下。

🏗️ 架构图

graph TD
    A[用户提供: 图片/截图/PDF/扫描件/生图需求] --> B(按任务类型路由 SKILL.md)

    B -- 生图需求 --> C[image-gen<br>VISION_GEN_*]
    B -- 文档/PDF --> D[MinerU<br>extract]
    B -- 纯文字识别 --> E[OCR<br>Baidu -> Windows]
    B -- 视觉理解/推理 --> F[vlm-vision.ps1]

    F --> G{通道选择}
    G --> H[custom]
    G --> I[glm]
    G --> J[glm-thinking]
    G --> K[local]

    C --> L[标准 JSON Envelope]
    D --> L
    E --> L
    F --> L

    L --> M[主模型读取 result 字段]
    M --> N[面向用户的回答<br>生图时在末尾展示图片]

📜 许可证

MIT

Name		Name	Last commit message	Last commit date
agents		agents
references		references
scripts		scripts
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
SKILL.md		SKILL.md

Navigation Menu

Repository files navigation

DS 视觉桥 Plus (ds-vision-skill-plus)

作者寄语

免责声明

快速开始

1. 安装

2. 配置云端通道

3. 常用脚本指令

4. 配置引导

功能特性

目录结构

🔌 通道列表

📝 输出规范

🏗️ 架构图

📜 许可证

About

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

DS 视觉桥 Plus (ds-vision-skill-plus)

作者寄语

免责声明

快速开始

1. 安装

2. 配置云端通道

3. 常用脚本指令

4. 配置引导

功能特性

目录结构

🔌 通道列表

📝 输出规范

🏗️ 架构图

📜 许可证

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages