dsh-rapid-ocr-ui

给 DeepSeek Harness 的纯文本 Agent 装上本地 OCR：图片粘贴/引用后， 用 ocr_image 工具在本地提取文字并返回纯文本——不依赖视觉模型、不需要 API Key、 不发送任何图片到外部服务。

这是什么

dsh-rapid-ocr-ui 是 DeepSeek Harness 的双面（Host + Client）插件，核心是 一个本地、纯文本输出的 OCR 工具：

• ocr_image(file_path) —— 把图片（PNG/JPEG/WebP/BMP/GIF）在本地跑 OCR， 返回 { path, text, provider }。对不支持图片输入的纯文本模型，它就是 read_image 的替代品：提取文字，而不是看图。
• read_image 能力分发 —— 插件不改写任何模型。图片能力由当前路由的 模型决定：多模态模型照常走原生 read_image；纯文本路由会被引导去用 ocr_image，而不是收到一张它读不了的图。
• systemPrompt 引导 —— 会话提示词里会告诉纯文本 Agent：「提取文字用 ocr_image」。
• 聊天页 OCR 开关 —— 输入栏左侧有一个「OCR 模式」小按钮（会话级）， 打开后按需对图片做 OCR，纯文本 Agent 也能「看」图片里的字。
• ctx.ocr 可插拔 seam —— 后端支持 tesseract / rapidocr / paddleocr-json / paddleocr-py，默认 none 是无害的空实现（不装引擎也能 启动）。

它解决什么：你的会话用的是不支持图片输入的模型（比如 DeepSeek 纯文本 路由）时，用户贴一张图，Agent 无法读图。这个插件让 Agent 用本地 OCR 把 图片里的文字变成纯文本继续工作——截图里的报错、文档截图、验证码、票据、 PPT 文字等，全部在本地完成，不出本机。

与「纯视觉方案」的关系

[!NOTE] 社区已有纯视觉方案（基于视觉模型的完整图像理解：看图问答、像素级定位、 裁剪、对比、取色、OCR 等）。如果你的需求是「让 Agent 真正看懂图」（描述、 定位元素、UI 还原），请优先使用纯视觉方案——它们对图片的理解是完整的。

本插件定位是互补的轻量文字提取器：

• 纯文本输出：只返回文字，不含图像推理，纯文本模型直接可用；
• 本地运行：tesseract 等引擎全在本机，图片不出本机、无外部依赖；
• 零成本：不需要视觉模型、不需要 API Key、不消耗视觉额度；
• 即装即用：装好 tesseract（或任一支持的引擎）即可，无需配置模型组。

一句话：要看懂图，用纯视觉方案；只需要图里的字，用 ocr_image。

安装

# 源码仓库环境
cd deepseek-harness
pnpm dsh plugin --profile web add dsh-rapid-ocr-ui

# 或 npx
npx @deepseek-ai/dsh plugin --profile web add dsh-rapid-ocr-ui

安装后重启 Web 进程。插件自带 bundle patch，自动完成插件行挂载。

准备 OCR 引擎

默认 provider: none 是空实现（可启动但不出文字）。要真正 OCR，装一个引擎 并在 cordis.patch.yml 里配置，例如 Tesseract：

- id: rapid-ocr
  config:
    provider: tesseract
    ocrPath: "C:\\Program Files\\Tesseract-OCR\\tesseract.exe"
    modelPath: "D:\\path\\to\\tessdata"
    language: ch

支持的 provider：tesseract / rapidocr / paddleocr-json / paddleocr-py。 language 例如 ch、en、ch,en。

使用

1. 重启后，纯文本会话里贴一张图；
2. Agent 的提示词已被告知：提取文字用 ocr_image(file_path)；
3. 也可以手动打开输入栏左侧的「OCR 模式」开关，按需对图做 OCR。

配置项

字段	默认值	含义
enabled	true	总开关；false 时插件什么都不注册
provider	none	OCR 后端：none / tesseract / rapidocr / paddleocr-json / paddleocr-py
ocrPath	—	引擎可执行文件/脚本路径（provider 相关）
modelPath	—	模型/语言数据目录（provider 相关）
language	ch	OCR 语言，如 ch / en / ch,en
maxImageBytes	20000000	单图送入 OCR 的字节上限
timeoutMs	60000	OCR 调用超时
scope	agent	工具注册平面：agent（推荐）或 global
fallbackOnly	true	图片能力路由始终优先原生 read_image
autoOcrImages	false	打开 OCR 模式后是否自动 OCR 新附件
injectOcrText	false	是否自动把 OCR 文本插入草稿
promptSectionOrder	118	「图片 → 用 ocr_image」提示词段顺序

设计要点

• 绝不 shadow read_image：ocr_image 是独立文本工具；多模态行为零改动。
• 能力在调用时判定：根据当前路由的 provider/model 实时解析图片能力， 模型中途切换也不会留下过期判断。
• 结构化错误：OCR 失败返回 isError 结果（路径不存在、超大图、引擎失败 等），对话轮次不会中断。
• 懒注册路由：Client 先于 Host webserver 就绪时，HTTP 路由会等载体出现后 再注册。

许可

MIT