windows-ocr

一个 DeepSeek Harness（dsh）插件：让纯文本模型也能"看"附件图片——图片在本机用 Windows 自带 OCR 引擎（Windows.Media.Ocr）识别，只有识别出的文字会发给模型 API。

隐私默认：图片字节在本机 OCR，不会发给服务商。只有当你明确想让真正的视觉模型接收原图时，才设置 passthrough: true。

• 不需要改任何模型配置——不用在 settings.yaml 里给模型加 input: [text, image]。
• 对 dsh 里的任何 provider/模型通用；默认所有附件图片在出站前都会先 OCR。
• 视觉模型透传是可选开启的（passthrough: true）。
• 默认安全（fail-closed）：插件没加载时，模型保持纯文本，图片附件会被拒绝——不存在静默泄漏；缺失 attachment 的图片块会被替换为拒绝文本，绝不会以原始 image 块保留。

npm 安装

dsh plugin --profile web add dsh-windows-ocr

（把 web 换成你的 profile，如 tui。）预编译发布（含 Sigstore provenance），无需源码构建或 allowBuilds 授权。从本仓库源码安装仍可用下方 agent 指南或手动步骤。

或者从仓库 / tarball 安装：

dsh plugin --profile web add ./dsh-windows-ocr        # 源码目录
dsh plugin --profile web add ./dsh-windows-ocr-0.3.2.tgz
dsh plugin --profile web add github:maxwell-feng/dsh-windows-ocr

Git 安装拿到的是源码而非构建产物：包的 prepare 脚本会运行 tsc 从源码 重建 lib/，并且 pnpm ≥ 10 需要一次性允许构建（它会打印确切的 pnpm-workspace.yaml 片段）。

npm 安装会自行注册 windows-ocr 这一行。 该包自带 bundle 补丁（dsh.bundle + 它自己的 cordis.patch.yml），已经插入了 windows-ocr 这个 loader 条目。请不要再往 profile 里手动 - insert: 一行同 id 的条目——dsh 0.1.3-alpha.1会拒绝重复的 loader 条目 id，dsh web 会以 duplicate loader entry id: windows-ocr 启动失败。

让 AI agent 快速安装

把这个仓库交给任何 AI agent，或直接粘贴下面的指令，agent 会替你完成安装与验证：

请按照 https://github.com/maxwell-feng/dsh-windows-ocr/blob/main/agents-install.md 安装本仓库的 dsh 插件。执行每一项前置检查，选择一种安装方式，然后完成强制验证：在纯文本模型会话里附加一张图片，确认模型能答出图片中的文字。

agents-install.md 是一份写给 AI agent 的分步手册：前置检查、两种安装方式（profile 永久 / --patch 临时）、强制功能验证，以及常见失败模式的排查。手动安装说明见下文。

为什么是插件而不是 skill

dsh 的 skill 只是注入模型上下文的 Markdown 指令：不能执行代码、不能钩住请求管线、更拦不住图片被序列化上传。这个功能恰好需要这些，所以它是一个 cordis 插件，钩住 llm 服务的两个公开接缝：

1. 能力声明（shim）——包装 ctx.llm.resolveModelInfo（以及 listModels）。宿主在三处用 inputModalities.includes("image") 拦截图片：发送准入、切换模型、read_image 工具。shim 让回答变成"支持"，文本模型即可收图。
2. 步前改写——agent/pre-step，官方提供的、用于替换进入模型调用的消息的接缝（"拒绝一个即将开始的 step，或替换进入它的消息"）。请求构建前，所有 image 内容块已被替换成 OCR 文本块，附件字节永远不会被序列化，也永远不会生成 image_url。它覆盖所有派发路径——ctx.llm.stream 和 prepareCall().stream 都从该 step 的消息构建请求；包装 adapter.stream 已不再有效，因为内置适配器重写了 prepareCall()，通过绑定代的闭包派发。

你附加图片
  → 准入层问 ctx.llm.resolveModelInfo（shim 返回含 "image" ✓）
  → 图片存入本地附件库（会话日志、UI 预览）
  → agent 循环提出 step → agent/pre-step（改写）
  → 本地读取图片字节（ctx.attachments.readImage）→ Windows OCR
  → 图片块替换为 <image_ocr>…识别文字…</image_ocr>
  → 用 OCR 后的消息构建请求 → 适配器只序列化文本 → 发给服务商

环境要求

• Windows 10/11（自带 Windows PowerShell 5.1，无需安装任何东西）
• 你所用语言对应的 OCR 语言包（设置 → 时间和语言 → 语言）。英文一般自带；中文需要安装中文语言包（含 OCR 能力）。
• 已安装 dsh 及 profile（在 dsh 0.1.3-alpha.1 上验证）

安装

让 AI agent 安装

本仓库的 agents-install.md 是一份写给 AI agent（也适合细心的人工）的分步安装手册。把这份文档交给 agent——例如对它说"按照 https://github.com/maxwell-feng/dsh-windows-ocr 的 agents-install.md 安装这个插件"——agent 就能自主完成前置检查、安装、验证和故障排查。手册涵盖两种安装方式、必须做的功能验证（附加图片 → 模型回答 OCR 文字）以及常见的失败模式。

手动安装

两种官方加载方式，patch 行都用绝对路径指向插件文件（见 docs/user/develop/basic）。Windows 上路径必须是 file:// URL——裸写 C:/... 会被解析成 c: URL scheme 而被 loader 拒绝。

永久安装：profile 补丁层

在 profile 的 cordis.patch.yml（如 ~/.dsh/profiles/web/cordis.patch.yml）追加：

- insert:
    - id: windows-ocr
      name: 'file:///C:/绝对路径/windows-ocr/lib/index.js'
      config:
        language: ''
        passthrough: false

然后重启 dsh web。删掉这几行即卸载——插件在卸载时会恢复被替换的 llm/adapter 原方法。

两种加载方式二选一：npm bundle（上文）或这里的手动 insert——绝不能同时用。两者注册的是同一个 windows-ocr 条目 id，而 dsh 0.1.3-alpha.1 在行重复出现时会以 duplicate loader entry id: windows-ocr 拒绝启动。如果这一行已经存在（例如已按 npm bundle 方式安装），请用下方的按 id 覆盖方式改配置，而不是再插入一行。

临时加载：--patch overlay

把同样的行写进一个 overlay 文件，启动时带上；profile 保持不动：

dsh --profile web --patch C:/path/to/overlay.yml

注意事项

• dsh web 报 EADDRINUSE（3080 被占用）说明有旧实例还在跑：用 netstat -ano | findstr :3080 找到 PID，taskkill /PID <pid> /F 关掉再启动。
• 打包分发（npm / tarball / github:user/repo）时按组合包方式打包（dsh.bundle + cordis.patch.yml，见 docs/user/develop/basic/publish）；git 安装还需要 prepare 构建脚本和 pnpm allowBuilds 授权。

确认插件已加载：启动日志里应有 windows-ocr；或者直接跑下面的冒烟测试。

配置

所有配置都在 windows-ocr 这一行（本目录 cordis.patch.yml），可在你 profile 的 cordis.patch.yml 里覆盖。配置会在加载时校验（Schemastery Config schema）——非法取值会带着可定位的错误启动失败，而不是被静默忽略：

覆盖示例（~/.dsh/profiles/web/cordis.patch.yml）——用按 id 覆盖的行（不是 insert:）替换 windows-ocr 这一行的 config：

- id: windows-ocr
  config:
    language: zh-Hans

使用说明

附加任意图片到文本模型会话并发送——插件在 agent/pre-step 拦截，本地经 Windows.Media.Ocr 识别，并在请求构建前将 image 块替换为文本块。无需改动任何代码或模型配置；dsh 中所有 provider/模型均受益。

模型看到什么

每个图片块变成一个文本块（不转发本地文件名）：

<image_ocr>
…识别出的文字行…
</image_ocr>

识别结果按附件 id 在 dsh 进程生命周期内缓存，重复轮次不会重复 OCR。

临时文件自动清理

每次 OCR 都会把输入图片和输出文本写入系统临时目录下新建的临时目录（windows-ocr-*）。该目录在 finally 中自动删除——成功、OCR 报错、超时都会删——每次产生的脚本、图片和输出文件都不会残留。插件启动时还会清扫上次进程崩溃遗留的孤儿 windows-ocr-* 目录。除插件自己的临时目录和 dsh 附件库外，不写任何其他位置。

冒烟测试（不需要 dsh）

# 1x1 PNG——验证 WinRT 加载、语言包可用性、识别链路
powershell.exe -NoProfile -ExecutionPolicy Bypass -File lib/ocr.ps1 -ImagePath test.png -OutFile out.txt
Get-Content out.txt

退出码 0 且 out.txt 为空/空白，说明 OCR 引擎正常（1×1 图本来就没有文字）。退出码 2/3 说明缺语言包。

在 dsh 里验证

1. 在文本模型会话里附加一张图片并发送——模型应能引用识别出的文字作答。
2. 确认图片没出站：web UI 打开 DevTools → Network，查看发往服务商 baseURL 的请求，确认 payload 里只有 text 内容块（没有 image_url/data URI）。

卸载说明

dsh plugin --profile web remove dsh-windows-ocr

手动安装时，从 profile 的 cordis.patch.yml 删除 windows-ocr 行并重启 dsh --profile web。插件卸载时恢复原始 llm shim；卸载后文本模型的图片附件将重新被拒绝（fail-closed）。

已知限制

• OCR 语言取决于系统安装的语言包（脚本退出码 2/3 时，插件降级为占位文本）。
• GIF：Windows OCR 只识别第一帧。
• 缓存按进程存活；长会话的 OCR 文本会缓存，受 maxCacheEntries 限制。
• 插件注册一个 fiber 作用域的 agent/pre-step 监听器，卸载时恢复 llm 能力 shim。dsh 升级后仍建议完整重启。
• 模型选择 UI 上文本模型可能不带"图片"徽标（纯外观，listModels 已一致地 shim）。
• 移除插件后，文本模型的图片附件会重新被拒绝（fail-closed），不会被上传。

License

MIT