dsh-vision-toolkit

给纯文本模型装眼睛，粘贴图片就能问答和还原 UI

dsh-vision-toolkit 是一个为纯文本大模型补上视觉能力的工具箱，以 DeepSeek Harness 插件形式提供。它解决的核心问题是：很多文本模型本身不支持图像输入，导致用户无法直接让 AI 看图、读截图或还原界面。项目通过一行安装即可接入，支持粘贴图片直接识别、多图问答、长截图 OCR、截图到前端 UI 还原、目标定位（grounding）、像素级对比、Artifacts 产物输出以及 Web UI 操作。技术栈为 TypeScript，属于 agent-skills 与 agent-vision-toolkit 生态的一部分。它把视觉任务封装成可被 agent 调用的技能，让文本模型也能完成看图说话、界面复刻和自动化 GUI 操作，适合需要给现有文本模型快速加装视觉能力的开发者与自动化场景。