@wszhoho/dsh-file-attachment 0.5.3 → 0.5.4

package/README.md

@@ -1,6 +1,6 @@
 # dsh-file-attachment
 
-DeepSeek Harness (dsh) web GUI 插件：在会话输入框中**拖入或 Ctrl+V 粘贴文档/图片（支持多文件，一次可拖入/粘贴多个文件）**、或通过 **📎 附件按钮上传**时，浏览器端批量读取全文，保存到**当前会话工作区根目录下的 `.dsh-file-attachment/`**，并在输入框光标处插入 `@<保存副本绝对路径>` 引用。agent 读取 `@路径` 时直接读到落盘副本，不再依赖原始文件位置。
+DeepSeek Harness (dsh) web GUI 插件：在会话输入框中拖入或 Ctrl+V 粘贴文档/图片，或通过DSH本体 📎 附件按钮上传（插件已接管本体上传按钮），图片调用配置好的vlm模型自动进行图片识别。
 
 图片与文档走**同一条落盘管线**：图片在输入框**内联附件条**中以缩略图预览（点击放大），在聊天区渲染为**可点击放大的缩略图**；文档在附件条中以类型图标 + 文件名条目显示，在聊天区保持芯片样式。当前会话模型不支持多模态时，图片自动调用**可配置 VLM** 识别生成中文描述回填草稿，文本模型也能「看懂」图片。
 
@@ -21,7 +21,7 @@ DeepSeek Harness (dsh) web GUI 插件：在会话输入框中**拖入或 Ctrl+V
 **设置页**：「设置 → 文件附件」页两部分：
 
 - **可上传类型**：按 文档 / 代码 / 配置文件 三类增删扩展名（小写、不带点），图片恒可发送；
-- **多模态识别参数（VLM）**：Base URL / API Key / 模型 / 思考模式开关（默认禁用），仅当前会话模型不支持多模态时调用，未填 API Key 时静默跳过。
+- **多模态识别参数（VLM）**：Base URL / API Key / 模型 / 思考模式开关（默认禁用）/ 超时时间（默认 60 秒），仅当前会话模型不支持多模态时调用，未填 API Key 时静默跳过。
 
 ![可上传类型设置](docs/settings-file-types.png)
 
@@ -97,7 +97,7 @@ packages/dsh-file-attachment/
 - **Host 半**：`webServer.register` 前缀路由 `/dsh-file-attachment`：
   - POST `/save`：接收 `{name, data(base64), sessionId}`，base64 解码后用 `node:fs/promises` 写盘到会话工作区 `.dsh-file-attachment/`，返回 `{ok, value:{path,dir,name,size}}`；
   - GET/POST `/config`：读写插件配置（可上传类型 + VLM 参数）；
-  - POST `/describe`：接收 `{dataUrl, prompt}`，调 VLM（OpenAI 兼容 `chat/completions`）识别图片，返回中文描述；
+  - POST `/describe`：接收 `{dataUrl, prompt}`，调 VLM（OpenAI 兼容 `chat/completions`）识别图片，返回中文描述与当前思考模式配置（`thinkingType`）；
   - `describe_image` 工具（Host 注册）：agent 需要理解 `@图片` 引用时调用——读已落盘图片 → VLM 识别 → 描述直接作为工具输出返回（UI 展示 + 模型可见）。
 - **Client 半**槽位：
   - `conversation.input.attachments`（shadow 原生附件条，priority -100）：**内联附件条**，渲染自维护的附件登记表——图片为 data URL 缩略图（点击放大）、文档为类型图标 + 文件名；条目可移除（同步清除草稿 `@引用`），发送后自动清空，不依赖 dsh 附件草稿链路（文本模型可正常发送）；
@@ -113,7 +113,7 @@ packages/dsh-file-attachment/
 - `lib/*.js`、`package.json`、`cordis.patch.yml`、`README.md` 当前均为 **UTF-8 无 BOM**（以仓库实测为准）；编辑时保持原编码，不引入 BOM。
 - Host 半用 `webServer.register({ kind: 'prefix', path: '/dsh-file-attachment', handler })` 提供 `/save`、`/config`、`/describe` 三个路由，并经 `tools.register` 注册 `describe_image` 工具；纯 ESM 无构建，不依赖装饰器/远程反射。
 - Client 半保存用 `fetch('/dsh-file-attachment/save', { method: 'POST', body: JSON.stringify({ name, data, sessionId }) })`，信封为 `{ ok, value | error }`。
-- VLM 走 OpenAI 兼容 `chat/completions`（Base URL / API Key / 模型 / 思考模式可在设置页配置，默认关闭思考模式）；未填 API Key 时识别静默跳过，不影响落盘。
+- VLM 走 OpenAI 兼容 `chat/completions`（Base URL / API Key / 模型 / 思考模式 / 超时时间可在设置页配置，思考模式默认关闭，超时默认 60 秒）；请求按 MiMo 官方格式发送 `thinking: { type: "enabled"|"disabled" }`（扁平 `thinkingType` 会被 API 忽略，而 mimo-v2.5 默认开启深度思考，导致识别极慢——实测 206 秒 vs 关闭后 22~73 秒，服务延迟波动较大，若偶发超时可调大）；超时后工具调用中止并明确报错「VLM 请求超时（N 秒）」，不再挂死会话；`describe_image` 工具输出 JSON 附带 `thinkingType`（enabled/disabled），直观展示当前思考模式配置。未填 API Key 时识别静默跳过，不影响落盘。
 - 项目根 = 会话工作区（`session.header.cwd` → `sandboxPolicy.workspaceRoot` → `process.cwd()` 兜底）。
 - 50MB 上限两侧一致（client 跳过 + host 校验）。
 

package/lib/client.js

@@ -49,8 +49,8 @@ window.__ModuleLoader__.load({
 			config: ['json', 'yml', 'yaml', 'toml', 'ini', 'conf', 'cfg', 'env', 'properties', 'xml', 'html', 'css'],
 		}
 		const allowedTypes = { doc: DEFAULT_TYPES.doc.slice(), code: DEFAULT_TYPES.code.slice(), config: DEFAULT_TYPES.config.slice() }
-		// 多模态 VLM 识别参数（仅当前模型非多模态时调用）：baseURL/apiKey/model/thinkingType
-		let vlmCfg = { baseURL: 'https://api.xiaomimimo.com/v1', apiKey: '', model: 'mimo-v2.5', thinkingType: 'disabled' }
+		// 多模态 VLM 识别参数（仅当前模型非多模态时调用）：baseURL/apiKey/model/thinkingType/timeout
+		let vlmCfg = { baseURL: 'https://api.xiaomimimo.com/v1', apiKey: '', model: 'mimo-v2.5', thinkingType: 'disabled', timeout: 60 }
 		let allowedExts = null // Set<ext>，rebuildAllowed 填充；上传校验用
 		let acceptString = 'image/*' // 文件选择器 <input accept>，buildAccept 生成；劫持📎打开前赋值
 		// 规范化扩展名列表（小写/去点/去重/仅 [a-z0-9]），与 host 侧同逻辑
@@ -135,12 +135,15 @@ window.__ModuleLoader__.load({
 			const timer = setInterval(scan, 1500)
 			return { mo, timer }
 		}
-		// 客户端侧多模态参数规范化（空值回退默认，与 host normalizeMimo 一致）
+		// 客户端侧多模态参数规范化（空值回退默认，与 host normalizeVlm 一致）
 		function normalizeVlmClient(raw) {
-			const d = { baseURL: 'https://api.xiaomimimo.com/v1', apiKey: '', model: 'mimo-v2.5', thinkingType: 'disabled' }
+			const d = { baseURL: 'https://api.xiaomimimo.com/v1', apiKey: '', model: 'mimo-v2.5', thinkingType: 'disabled', timeout: 60 }
 			if (raw === null || typeof raw !== 'object') return d
 			const pick = (k) => (typeof raw[k] === 'string' && raw[k] !== '') ? raw[k] : d[k]
-			return { baseURL: pick('baseURL'), apiKey: pick('apiKey'), model: pick('model'), thinkingType: raw.thinkingType === 'enabled' ? 'enabled' : 'disabled' }
+			// 超时（秒）：正整数 1~600，非法回退默认
+			const t = Number(raw && raw.timeout)
+			const timeout = Number.isFinite(t) && t >= 1 && t <= 600 ? Math.floor(t) : d.timeout
+			return { baseURL: pick('baseURL'), apiKey: pick('apiKey'), model: pick('model'), thinkingType: raw.thinkingType === 'enabled' ? 'enabled' : 'disabled', timeout }
 		}
 		// 应用配置：更新 allowedTypes → 重建校验 Set + accept（劫持📎在打开选择器时读取 acceptString）
 		function applyConfig(cfg) {
@@ -1140,6 +1143,7 @@ window.__ModuleLoader__.load({
 			const [vlmApiKey, setVlmApiKey] = react.useState('')
 			const [vlmModel, setVlmModel] = react.useState('')
 			const [vlmThinking, setVlmThinking] = react.useState(false)
+			const [vlmTimeout, setVlmTimeout] = react.useState('30')
 			const [docIn, setDocIn] = react.useState('')
 			const [codeIn, setCodeIn] = react.useState('')
 			const [cfgIn, setCfgIn] = react.useState('')
@@ -1157,6 +1161,7 @@ window.__ModuleLoader__.load({
 					setVlmApiKey(vlmCfg.apiKey)
 					setVlmModel(vlmCfg.model)
 					setVlmThinking(vlmCfg.thinkingType === 'enabled')
+					setVlmTimeout(String(vlmCfg.timeout || 60))
 				})
 				return () => { live = false }
 			}, [])
@@ -1169,7 +1174,7 @@ window.__ModuleLoader__.load({
 			async function save() {
 				setSaving(true); setSaved(false)
 				try {
-					const body = { doc: doc, code: code, config: config, vlm: { baseURL: vlmBaseURL, apiKey: vlmApiKey, model: vlmModel, thinkingType: vlmThinking ? 'enabled' : 'disabled' } }
+					const body = { doc: doc, code: code, config: config, vlm: { baseURL: vlmBaseURL, apiKey: vlmApiKey, model: vlmModel, thinkingType: vlmThinking ? 'enabled' : 'disabled', timeout: Math.min(600, Math.max(1, Math.floor(Number(vlmTimeout) || 60))) } }
 					const r = await fetch('/dsh-file-attachment/config', {
 						method: 'POST',
 						headers: { 'Content-Type': 'application/json' },
@@ -1202,6 +1207,8 @@ window.__ModuleLoader__.load({
 						react.createElement('input', { value: vlmApiKey, onChange: (e) => setVlmApiKey(e.target.value), type: 'password', placeholder: 'sk-...', style: { padding: '6px 8px', borderRadius: '6px', border: '1px solid rgba(128,128,128,0.3)', background: 'transparent', color: 'inherit', fontSize: '12px' } }),
 						react.createElement('span', { style: { fontSize: '12px' } }, t('vlm.model')),
 						react.createElement('input', { value: vlmModel, onChange: (e) => setVlmModel(e.target.value), placeholder: 'mimo-v2.5', style: { padding: '6px 8px', borderRadius: '6px', border: '1px solid rgba(128,128,128,0.3)', background: 'transparent', color: 'inherit', fontSize: '12px' } }),
+						react.createElement('span', { style: { fontSize: '12px' } }, t('vlm.timeout')),
+						react.createElement('input', { value: vlmTimeout, onChange: (e) => setVlmTimeout(e.target.value), placeholder: '60', title: t('vlm.timeoutHint'), style: { padding: '6px 8px', borderRadius: '6px', border: '1px solid rgba(128,128,128,0.3)', background: 'transparent', color: 'inherit', fontSize: '12px' } }),
 						react.createElement('span', { style: { fontSize: '12px' } }),
 						react.createElement('label', { style: { display: 'inline-flex', alignItems: 'center', gap: '6px', fontSize: '12px' } },
 							react.createElement('input', { type: 'checkbox', checked: vlmThinking, onChange: (e) => setVlmThinking(e.target.checked) }),
@@ -1242,6 +1249,8 @@ window.__ModuleLoader__.load({
 					'vlm.apiKey': 'API Key',
 					'vlm.model': '模型',
 					'vlm.thinking': '启用思考模式（默认禁用）',
+					'vlm.timeout': '超时（秒）',
+					'vlm.timeoutHint': '图片识别超时时间，默认 60 秒；识别慢或卡顿时可调大',
 					'save': '保存',
 					'saving': '保存中…',
 					'saved': '已保存',
@@ -1258,6 +1267,8 @@ window.__ModuleLoader__.load({
 					'vlm.apiKey': 'API Key',
 					'vlm.model': 'Model',
 					'vlm.thinking': 'Enable thinking mode (disabled by default)',
+					'vlm.timeout': 'Timeout (s)',
+					'vlm.timeoutHint': 'Image recognition timeout, default 60s; increase if recognition is slow or hangs',
 					'save': 'Save',
 					'saving': 'Saving…',
 					'saved': 'Saved',

package/lib/index.js

@@ -143,17 +143,22 @@ const VLM_DEFAULTS = {
   apiKey: '',
   model: 'mimo-v2.5',
   thinkingType: 'disabled',
+  timeout: 60, // 识别超时（秒）。实测 VLM 延迟波动大（12~73s），30s 会误杀多数请求
 }
 
 /** 规范化多模态参数（缺省/空值回退默认，trim 去空白）。 */
 function normalizeVlm(raw) {
   const r = (raw && typeof raw === 'object') ? raw : {}
   const pick = (key) => (typeof r[key] === 'string' && r[key].trim() !== '' ? r[key].trim() : VLM_DEFAULTS[key])
+  // 超时（秒）：正整数 1~600，非法回退默认
+  const t = Number(r && r.timeout)
+  const timeout = Number.isFinite(t) && t >= 1 && t <= 600 ? Math.floor(t) : VLM_DEFAULTS.timeout
   return {
     baseURL: pick('baseURL'),
     apiKey: pick('apiKey'),
     model: pick('model'),
     thinkingType: pick('thinkingType'),
+    timeout,
   }
 }
 
@@ -219,19 +224,47 @@ async function handleSave(root, body) {
   return { path: target, dir, name: safe, size: bytes.length }
 }
 
+// 仅思考模型识别：这类模型（旗舰推理版 / 带 thinking 后缀）始终思考、不可关闭，
+// 传 thinking.type='disabled' 会报错（Kimi k2.7-code、GLM-5.3、Qwen3-VL-*-Thinking 等）。
+function isThinkingOnlyModel(model) {
+  const m = String(model || '').toLowerCase()
+  if (/-thinking\b/.test(m)) return true
+  if (/kimi-k3\b/.test(m)) return true
+  if (/kimi-k2\.7-code/.test(m)) return true
+  if (/^glm-5\.3/.test(m)) return true
+  return false
+}
+
+// 思考参数适配器：各家 OpenAI 兼容 API 的「思考开关」字段形式不统一。
+// 按 model 名称判断（不依赖 baseURL host——中转站/代理转发时 host 不可靠，而 model 字段稳定跟随请求）。
+//   - 仅思考模型 → 不传任何参数（服务端默认开启思考；传 disabled 会报错）
+//   - 通义千问 Qwen / QVQ（含 VL 视觉）→ 扁平布尔 enable_thinking
+//   - 其余主流（小米 MiMo / DeepSeek / 智谱 GLM / Kimi 官方）→ 嵌套对象 thinking:{type}
+function buildThinkingParams(vlm) {
+  if (isThinkingOnlyModel(vlm.model)) return {}
+  const wantEnabled = vlm.thinkingType === 'enabled'
+  const model = String(vlm.model || '').toLowerCase()
+  if (model.includes('qwen') || model.includes('qvq')) {
+    return { enable_thinking: wantEnabled }
+  }
+  return { thinking: { type: wantEnabled ? 'enabled' : 'disabled' } }
+}
+
 /**
  * 调 VLM（OpenAI 兼容 chat/completions）识别图片，返回中文描述。
- * @param vlm - 多模态参数 { baseURL, apiKey, model, thinkingType }（来自配置）。
+ * @param vlm - 多模态参数 { baseURL, apiKey, model, thinkingType, timeout }（来自配置，timeout 单位秒）。
  * @param dataUrl - base64 data URL（形如 data:image/png;base64,xxx）。
  * @returns 图片的简洁中文描述。
- * @throws VLM 请求失败或未返回有效内容时抛错。
+ * @throws VLM 请求失败或未返回有效内容时抛错；超时抛「VLM 请求超时」。
  */
 async function describeImage(vlm, dataUrl, prompt) {
   const url = vlm.baseURL.replace(/\/+$/u, '') + '/chat/completions'
   const userPrompt = (typeof prompt === 'string' && prompt.trim() !== '') ? prompt.trim() : '请描述这张图片。'
+  // 思考开关：各家 OpenAI 兼容 API 字段形式不统一，由 buildThinkingParams 按 model 名称适配
+  // （Qwen/QVQ → 扁平 enable_thinking；MiMo/DeepSeek/GLM/Kimi → 嵌套 thinking.type；仅思考模型 → 不传）。
   const payload = {
     model: vlm.model,
-    thinkingType: vlm.thinkingType,
+    ...buildThinkingParams(vlm),
     messages: [
       { role: 'system', content: '你是图片描述助手，用简洁中文回答。' },
       {
@@ -243,22 +276,35 @@ async function describeImage(vlm, dataUrl, prompt) {
       },
     ],
   }
-  const resp = await fetch(url, {
-    method: 'POST',
-    headers: {
-      'content-type': 'application/json',
-      'authorization': 'Bearer ' + vlm.apiKey,
-    },
-    body: JSON.stringify(payload),
-  })
-  if (!resp.ok) {
-    const text = await resp.text().catch(() => '')
-    throw new Error('VLM 请求失败 ' + resp.status + (text !== '' ? ' ' + text.slice(0, 200) : ''))
+  const timeoutSec = (Number.isFinite(vlm.timeout) && vlm.timeout >= 1 && vlm.timeout <= 600) ? vlm.timeout : VLM_DEFAULTS.timeout
+  const controller = new AbortController()
+  const timer = setTimeout(() => controller.abort(), timeoutSec * 1000)
+  try {
+    const resp = await fetch(url, {
+      method: 'POST',
+      headers: {
+        'content-type': 'application/json',
+        'authorization': 'Bearer ' + vlm.apiKey,
+      },
+      body: JSON.stringify(payload),
+      signal: controller.signal,
+    })
+    if (!resp.ok) {
+      const text = await resp.text().catch(() => '')
+      throw new Error('VLM 请求失败 ' + resp.status + (text !== '' ? ' ' + text.slice(0, 200) : ''))
+    }
+    const data = await resp.json()
+    const content = data && data.choices && data.choices[0] && data.choices[0].message && data.choices[0].message.content
+    if (typeof content !== 'string' || content === '') throw new Error('VLM 未返回有效内容')
+    return content
+  } catch (err) {
+    if (err && err.name === 'AbortError') {
+      throw new Error('VLM 请求超时（' + timeoutSec + ' 秒），可在「设置→文件附件」调大超时时间')
+    }
+    throw err
+  } finally {
+    clearTimeout(timer)
   }
-  const data = await resp.json()
-  const content = data && data.choices && data.choices[0] && data.choices[0].message && data.choices[0].message.content
-  if (typeof content !== 'string' || content === '') throw new Error('VLM 未返回有效内容')
-  return content
 }
 
 /** 注册 /dsh-file-attachment 前缀路由（save POST）。 */
@@ -327,7 +373,7 @@ function registerRoutes(ctx) {
         }
         try {
           const description = await describeImage(vlm, dataUrl, body.prompt)
-          json(res, { ok: true, value: { description } })
+          json(res, { ok: true, value: { description, thinkingType: vlm.thinkingType } })
           return
         } catch (err) {
           const message = err && err.message ? err.message : '识别失败'
@@ -383,6 +429,11 @@ function registerTools(ctx) {
         type: 'string',
         description: '可选。告诉多模态模型要关注什么（如"识别图中的文字"、"描述 UI 布局"）。不填则默认"请描述这张图片"。',
       },
+      thinkingType: {
+        type: 'string',
+        enum: ['disabled', 'enabled'],
+        description: 'VLM 思考模式开关：disabled=关闭（默认）/ enabled=开启。本工具默认关闭思考以加速识别，请填 disabled。',
+      },
     },
     output: {
       schema: {
@@ -391,11 +442,13 @@ function registerTools(ctx) {
         properties: {
           ok: { type: 'boolean', required: true },
           description: { type: 'string' },
+          thinkingType: { type: 'string', description: '当前 VLM 思考模式配置：enabled=开启 / disabled=关闭' },
         },
       },
       render: (_args, value) => {
+        const thinkingText = (value && value.thinkingType === 'enabled') ? '开启' : '关闭'
         if (value && value.ok === true && typeof value.description === 'string' && value.description !== '') {
-          return [{ type: 'text', text: '图片识别结果：' + value.description }]
+          return [{ type: 'text', text: '图片识别结果：' + value.description + '（思考模式：' + thinkingText + '）' }]
         }
         return [{ type: 'text', text: (value && value.ok === true) ? '（图片已识别）' : '（图片识别失败）' }]
       },
@@ -413,7 +466,11 @@ function registerTools(ctx) {
       const description = await describeImage(cfg.vlm, dataUrl, args.prompt)
       // 识别结果直接作为工具输出返回：UI 直接展示描述文本，
       // 同时该输出就是模型可见内容（tool/result 的 content），无需额外 deferContext 注入。
-      return { ok: true, description }
+      // 注意 thinkingType 的双重角色：
+      //   - 输入参数（args.thinkingType）：模型按 description 填充，仅用于让「工具调用 JSON」直观可见思考开关，
+      //     实际调用 VLM 时不读它（真实开关以 cfg.vlm.thinkingType 为准，见 describeImage 内的 thinking.type）。
+      //   - 输出（此处返回值）：回填配置真实值，使结果与输入展示一致、可核对。
+      return { ok: true, description, thinkingType: cfg.vlm.thinkingType }
     },
   }))
   console.log('[dsh-file-attachment] describe_image tool registered')

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@wszhoho/dsh-file-attachment",
-  "version": "0.5.3",
+  "version": "0.5.4",
   "description": "文件附件：拖拽/粘贴/上传文件（支持多文件）；图片与文档统一落盘到 .dsh-file-attachment 并以 @绝对路径 引用发送（文本模型可正常使用）；输入框内联显示图片缩略图预览与文件条目，聊天区图片同样渲染为可点击放大的缩略图、文件保持芯片样式；非多模态模型下图片自动调用可配置 VLM 识别生成中文描述回填草稿；文档/代码/配置文件可上传类型可在设置页配置；支持 PC 与移动端浏览器",
   "keywords": [
     "dsh",