Iris Media for DSH

<p align="center"> _{简体中文 | <a href="README.en.md">English</a>} </p><p align="center"> <img src="docs/assets/iris-wordmark.svg" width="520" alt="IRIS 彩色字标"> </p><h1 align="center">Iris Media for DSH</h1><p align="center"><strong>Iris 多模态生产运行时 · 当前通过 DeepSeek Harness 插件使用</strong></p><p align="center"> <a href="#deepseek-harness-适配"><img alt="DeepSeek Harness compatible" src="https://img.shields.io/badge/DeepSeek%20Harness-compatible-4D6BFE.svg?style=flat-square"></a> <a href="https://www.npmjs.com/package/@mokuyoaxis/dsh-iris"><img alt="npm version" src="https://img.shields.io/npm/v/%40mokuyoaxis%2Fdsh-iris.svg?style=flat-square"></a> <a href="https://nodejs.org/"><img alt="Node.js 20.10 or newer" src="https://img.shields.io/badge/Node.js-%3E%3D20.10-339933.svg?style=flat-square&amp;logo=nodedotjs&amp;logoColor=white"></a> <a href="https://github.com/mokuyoaxis/dsh-iris/actions/workflows/ci.yml"><img alt="CI" src="https://github.com/mokuyoaxis/dsh-iris/actions/workflows/ci.yml/badge.svg"></a> <a href="LICENSE"><img alt="MIT License" src="https://img.shields.io/badge/license-MIT-1689FF.svg?style=flat-square"></a> </p>

dsh-iris 为 Agent 和 Iris 工作台提供图像、视频、语音与视觉理解能力，也能直接优化 DSH 对话框中的任意提示词。它可以连接 DashScope 百炼及 OpenAI Images 兼容服务；完整配置和任务管理集中在 Iris 工作台，右下角的 Iris 泡泡提供快捷入口。

实际生成示例

<p align="center"> <img src="docs/assets/examples/iris-flower-generated.webp" width="720" alt="由 Iris 优化提示词并生成的蓝紫色鸢尾花"> </p>

从一句“鸢尾花”开始：Iris 对话框优化 Prompt（deepseek-v4-flash，thinking off）→ 阿里云百炼 qwen-image-3.0-pro 生成 · 2048×2048

Android 16 真机界面

以下截图来自 Android 浏览器连接 Termux/PRoot Debian ARM64 中的 DSH，使用 DSH 默认皮肤；公开图片均已移除 EXIF/XMP/IPTC 元数据。

对话输入区的 🫧 入口	优化结果写回输入框

<p align="center"> <img src="docs/assets/screenshots/image-task-succeeded.webp" width="520" alt="Iris 工作台中的图片任务成功详情"> </p>

查看完整六图流程：优化前、玻璃预览窗、写回、任务成功与实际产物

项目目前处于早期版本，接口和配置格式仍可能随版本迭代调整。

Iris 的长期方向是可独立运行、可接入不同 Agent 宿主的媒体生产核心。DeepSeek Harness 是首个受支持宿主；当前版本仍需要 DSH，独立 Core、CLI 和工作台属于后续路线，尚未提供。

与 ai-paint 的关系

ai-paint 是 Iris 维护者本机未公开的前身项目，不是 Iris 的公开依赖，也不是用户需要下载、安装或自行创建的目录。没有该项目的用户直接按下文在 Iris 工作台配置供应商即可。

早期版本从维护者本机的 ai-paint 配置读取模型与凭据，既用于迁移前身项目，也让宿主进程可以在本地复用已有 API Key，避免为迁移而把密钥粘贴到 Agent 会话、命令行参数或文档中。0.1.1 将两者的配置彻底分离：Iris 只使用自己的配置；旧配置仅可通过把 IRIS_IMPORT_WORKBENCH_CONFIG 显式设为本地配置文件的绝对路径进行一次性导入，不会默认扫描 ai-paint，也不会在两边同步。该变量保存的是文件路径而不是 API Key，来源文件不会被修改；具体操作见用户指南。

最快开始

已经安装 DeepSeek Harness 0.1.2-rc.1 且 pnpm 在 PATH 中时，把 Iris 加入 Web profile：

dsh plugin --profile web add @mokuyoaxis/dsh-iris
dsh web

npm 上无 scope 的 dsh-iris 属于另一款插件。安装和更新 Iris Media 时必须保留完整包名 @mokuyoaxis/dsh-iris。

从当前源码目录试用时，把第一条命令中的 @mokuyoaxis/dsh-iris 换成 .。插件会在下一次 DSH 启动时装载，Web UI 默认位于 http://127.0.0.1:3080。

首次启动后，打开“设置 → Iris 工作台 → + 添加供应商”，填入 DashScope Base URL 和 API Key，再点“发现模型”。单供应商可以先使用自动能力分配。完整步骤、OpenAI Images 兼容配置和故障转移说明见用户指南。

配置完成后，最小指令可以是：

使用 iris_draw_image：画一只坐在蓝色窗边的白猫。
总结我刚上传的这张图片。
用 Iris 总结 /absolute/path/demo.mp4，再把摘要合成为语音。

DSH 的 profile 与插件命令由官方安装说明定义。生成图片、视频或语音可能产生供应商费用。

功能概览

• 图像生成、文生视频、图生视频和 S2V 数字人视频
• 文本转语音与音频转写
• 看图问答、长图 OCR、目标定位、裁剪和像素差异分析
• 视频抽帧与多模态内容摘要
• 异步任务跟踪、重启恢复和带授权令牌的媒体播放
• 多供应商模型池，以及按 供应商 + 模型 分配能力
• 浏览器上传、会话附件和宿主路径三种文件来源
• 独立于工作台的对话框提示词优化，支持当前会话模型与 JSON 固定模型路由

使用前准备

• 满足所用 DeepSeek Harness 版本要求的 Node.js；dsh-iris 自身最低为 20.10
• 一个可用的 DeepSeek Harness 环境，以及 PATH 中的 pnpm
• 至少一个受支持的媒体或视觉服务供应商
• 使用视频抽帧和视频摘要时，需要系统提供 ffmpeg 与 ffprobe

安装插件后，在 Iris 工作台中添加供应商并为所需能力分配模型。供应商密钥保存在宿主侧的 Iris 配置中；POSIX 系统上 Iris 自有目录和文件分别收紧为 0700 与 0600，界面和接口不会返回完整密钥。Windows 的 mode 不等同于 ACL，仍需依赖当前用户目录和系统账户权限。

DeepSeek Harness 适配

dsh-iris 按 DeepSeek Harness 插件形态提供服务端与 Web 客户端入口：服务端注册 14 个 Agent 工具，并复用宿主的工具、路由和生命周期服务；客户端通过 DSH 模块加载器接入设置页、会话输入区和全局悬浮层。插件不会启动独立服务或额外监听端口。

当前自动化测试覆盖插件装载、工具注册、客户端槽位和路由行为。0.1.1 已在 Linux ARM64 的干净与真实 Web profile 中，使用 DSH 0.1.2-rc.1、Node.js 22.23.2 完成宿主烟测；浏览器启动图、完整组合 bundle、Iris 客户端工厂和当时的三个 UI 座位均已验证。0.1.2 新增的第四个提示词优化座位已在 Android 浏览器真机确认渲染，配置读取、真实会话模型优化（实际 thinking off）、预览写回、独立关闭与重新启用，以及从短草稿到图片生成任务成功的闭环均已验证；浏览器端取消和 JSON 操作已有自动化 HTTP/配置覆盖，尚待补充真机逐项记录。Iris 自身仍以 Node.js >=20.10 为最低基线。

Iris 0.1.1–0.1.2 明确支持 DSH >=0.1.2-rc.1 <0.1.3-0，不再兼容 0.1.0/0.1.1 的旧客户端 Runtime。DSH 仍在快速演进，后续预览版须经验证后再扩大范围；兼容徽章不代表官方认证。若 DSH 要求更高 Node 版本，以 DSH 为准。

工具

生成、语音与任务

工具	用途
iris_draw_image	根据提示词生成图片
iris_generate_video	生成文生视频、图生视频或 S2V 数字人视频
iris_speak_text	将文本合成为语音
iris_transcribe_audio	将音频转写为文本
iris_task_status	查询单个任务或最近任务的状态和产物

视觉与图像处理

工具	用途
iris_look_at_image	对图片提问并获得视觉模型回答
iris_relook_attachment	使用新问题重新查看会话中的图片附件
iris_long_ocr	分块识别长截图或长图文字
iris_locate	定位图片中的目标并返回像素坐标
iris_crop	按像素区域裁剪图片
iris_pixel_diff	比较两张图片并生成差异统计和热力图
iris_html_screenshot	在受限环境中将 HTML 字符串渲染为截图

视频处理

工具	用途
iris_video_frames	从视频中均匀抽取画面帧
iris_media_summarize	结合画面帧和可选音频转写生成视频摘要

文件输入

Iris 支持三种文件来源，推荐顺序如下：

1. 浏览器上传：适合本地文件和跨环境访问，单文件上限为 64 MB。
2. 会话附件：适合复用当前会话中已经上传或生成的媒体。
3. 宿主路径：适合宿主可以直接读取的大文件。这里填写的是宿主进程看到的路径，不一定等同于浏览器所在系统的路径。

上传内容保存在 $DSH_HOME/iris/v1/uploads/，默认保留 7 天。不同系统下的路径选择建议见文件访问与跨环境。

对话框提示词优化

Iris 会在 DSH 对话输入区提供一个无边框、无文字的“🫧”入口，不需要打开 Iris 工作台。点击后打开带背景模糊、半透明层次和柔和光影的玻璃悬浮窗；桌面端靠近输入区显示，窄屏与 Android 浏览器自动切换为带安全区和内部滚动的底部面板，避免遮挡、溢出或控件挤叠。它只读取当前未发送的纯文本草稿，并提供通用、图片、视频和首尾帧视频四种目标模板；结果先预览，用户确认后才写回输入框，不会自动发送。含 @ 或 / 结构化引用的草稿暂不改写，以免引用身份丢失。

默认使用当前会话选中的主模型；会话尚未选定模型时回退到 DSH 默认模型。优化请求不携带聊天历史、工具、附件或工作区，只发送当前草稿与目标模板。为避免推理模型在正文前耗尽生成预算，默认 generation.reasoningEffort 为 off-if-supported：仅在 DSH 模型元数据明确支持关闭 thinking 时禁用推理，否则使用供应商默认值，并且不再继承主会话的 High/Low 档位。可在 JSON 中改为 provider-default、inherit 或模型声明的具体 effort ID；成本与稳定性优先时，建议使用 fixed 路由指定轻量非思考模型。用户也可以导出 prompt-optimizer.json，将 route.mode 改为 fixed 并指定其他已在 DSH 注册的 provider 与 model，然后从面板重新导入。面板提供“恢复默认”，可还原 Iris 内置 Prompt、目标模板、会话模型路由和生成参数。该对话入口可以单独关闭，并从 Iris 工作台重新启用；关闭不会停用工作台、Agent 工具或任务后台。优化调用可能产生对应文本模型的费用。

模型分配与故障转移

能力分配使用 providerId::modelId 作为模型身份。同名模型如果来自不同供应商或不同账号，会被视为两个独立选项。

生成类能力可以配置多个候选模型。Iris 只会在上传、提交或同步生成阶段失败时尝试下一个候选项；远端服务一旦受理任务，就不会自动重新提交，以免产生重复任务或重复计费。已经受理的异步任务由任务系统继续跟踪。

转写是独立的 transcribe 能力，不会占用 TTS 或视觉能力的模型配置。

组合工作流示例

Iris 自带两个 Agent Skills（iris-verify-ui 与 iris-compose-media），把多个工具编排成有界、可复核的媒体工作流。下例是「看图 → 重绘 → 自检」：先理解原图，再生成，复核针对具体偏差，只有复核通过才交付。

图的 SVG 版本与可编辑 drawio 源文件位于 docs/assets/diagrams/。

数据与任务

运行数据默认位于 $DSH_HOME/iris/v1/：

位置	内容
providers.json	供应商和能力分配，文件权限为 0600
prompt-optimizer.json	用户导入的优化 Prompt、目标模板、模型路由和生成参数，文件权限为 0600
tasks.json	任务元数据和附件索引，最多保留 500 条
outputs/	生成和处理后的媒体文件
uploads/	浏览器上传的临时输入副本

0.1.1 首次装载时会收紧既有 $DSH_HOME/iris/v1/ 树的 POSIX 权限，不修改文件内容，也不跟随符号链接。大媒体下载采用流式私有临时文件与原子替换，不再把整段视频载入内存。

异步任务会在后台轮询。插件重启后，可以继续接管仍在远端执行的任务。取消信号会传递到本地等待与轮询流程；是否能取消远端计算，取决于供应商接口。

音频和视频通过带随机令牌的 Iris 媒体链接访问。图片会尽量转存为 DSH 持久附件，方便在会话中继续使用。

安全说明

• 供应商密钥不会通过状态接口返回。
• DashScope 媒体协议只允许把密钥发送到阿里云官方 HTTPS 域名；其他 Base URL 默认推断为 OpenAI Images 兼容协议。
• /iris/* 默认只接受回环 Host；LAN 或反向代理必须显式设置 IRIS_TRUSTED_HOSTS，修改状态的请求还会检查跨站来源。
• IRIS_TRUSTED_HOSTS 不是认证机制。对公网或不可信网络开放 DSH 时，必须在反向代理或宿主层配置身份认证与 HTTPS。
• 模型实测只按单项能力运行，并在真实供应商调用前确认；视频和转写不会用空样本自动提交付费探针。
• HTML 截图在不具备同源权限的沙箱页面中渲染，脚本和外部网络默认不可用。
• 媒体链接使用随机能力令牌，文件路径只从任务记录解析。
• Iris 不提供独立账号体系，多用户隔离和访问控制由 DeepSeek Harness 部署负责。

已知限制

• sharp 包含原生组件；主要支持 glibc Linux、Windows 和 macOS。裸 Termux 等非标准运行环境可能需要额外处理。
• 视频抽帧和视频摘要依赖系统安装的 ffmpeg 与 ffprobe。
• HTML 截图不加载远程脚本、字体或图片；需要的资源应先内联。
• WSL、容器和远程部署中，浏览器路径通常不能直接交给宿主读取，请优先上传文件。
• 供应商返回的模型清单只是候选集合，模型是否真正支持某项能力仍以实际调用为准。

Agent Skills

插件启用时会通过 DSH Skill registry 自动注册两个随包 Skill：

Skill	适用场景
iris-verify-ui	组合截图、语义检查、元素定位、裁剪和像素比较，完成有证据的 UI 验收
iris-compose-media	组合两个以上 Iris 工具，完成看图后绘图、图片转视频、视频总结配旁白或 S2V 等媒体工作流

从 0.1.2 起，只要宿主提供 DSH Skill registry，普通 npm 安装用户在任意项目目录中都能发现并加载它们，不需要克隆本仓库或另外配置 Skill 搜索目录。项目目录中存在同名 Skill 时，仍按 DSH 原生优先级使用项目版本；Skill registry 不可用时，14 个 Iris 工具仍可独立装载。

开发与验证

在项目目录运行：

npm test

测试覆盖配置合并、模型身份、任务生命周期、生成动作、HTTP/SSE 路由、客户端交互和安全边界。项目采用 ES Modules，不需要构建步骤。

测试调度使用 Node.js，逐文件启动独立进程，首个失败即停止，不依赖 Bash；临时目录使用系统 API 并在退出时清理。GitHub Actions 定义 Linux/Windows × Node.js 20.10/22 矩阵，发布前钩子会重新运行完整测试。原生 Windows/WSL 的 DSH 宿主烟测仍待实机验证。

发布由 v* 标签触发 .github/workflows/release.yml：跑完整测试后打包，用工作流内置 GITHUB_TOKEN 创建 GitHub Release（附 tarball，发布说明取自 CHANGELOG 对应章节），并在配置了 NPM_TOKEN secret 时发布到 npm。本机无需任何 GitHub 凭据。

文档

• 用户指南
• 变更记录
• 路线图
• 文件访问与跨环境
• Android 16 真机截图画廊

License

MIT