dsh-vision-gemma

テキスト専用(マルチモーダルじゃない)LLM に「目」を与える DSH プラグイン。 Google AI Studio (Gemini API) の 無料枠 を叩いて、ローカルファイルや URL の画像について 「この画像何?」と質問できる MCP ツールを提供する。

• 実装: ゼロ依存 stdio MCP サーバー (vision-gemma.mjs) — dsh-modrinth-mcp と同じ方式

• 既定モデル: gemma-4-31b-it (Free 枠 ~30 RPM / ~14,400 RPD、画像+テキスト入力)

• 代替モデル: gemma-4-26b-a4b-it (MoE・最速、2026-08-30実測 4.8s) / gemini-3.1-flash-lite / gemini-3.5-flash-lite (~1,500 RPD、1M ctx)

• 注意: 素のID gemma-4 は 2026-08-30時点で404(エイリアス廃止)。実在IDは上記2つのみ (models/list で確認済み)。~/.dsh/settings.yaml の gemini-free プロバイダに残っている 旧ID行も同様に無効

• Gemma 4 は回答に <thought>...</thought> の組み込み推論を出すが、サーバー側で剥がして answer には本文のみ返す(生思考は includeThought: true で取得可)

• 認証: ホスト環境変数 GEMINI_API_KEY(.credentials.yaml refs が注入するもの。 gemini-free プロバイダと同じキー)。環境変数が空なら ~/.dsh/.credentials.yaml を直接読むフォールバック付き

ツール

• image はローカル絶対パス (Windows 形式) か http(s):// URL。URL はサーバー側で ダウンロードして base64 インライン化する (Gemini の OpenAI 互換層は URL を fetch しないため)

• 対応形式: PNG / JPEG / WebP / HEIC。インライン上限 18 MB(超過時は再エンコードを促すエラー)

• リトライ: 429/5xx は retry-after を見て最大2回

Related MCP server: ollama-vision-mcp

登録方法 (profiles/web/cordis.patch.yml)

- insert:
    - id: mcp-vision
      name: '@deepseek-ai/dsh-mcp-client'
      config:
        serverName: vision
        transport: stdio
        command: 'C:\Program Files\nodejs\node.exe'
        args:
          - 'C:\Users\motch\Documents\DSH\dsh-vision-gemma\vision-gemma.mjs'
        env:
          GEMINI_API_KEY: !!js process.env.GEMINI_API_KEY || ''
        failOnStartupError: false
        toolCallTimeoutMs: 60000

要ホスト再起動(または cordis HMR によるホットスワップ)。

テスト

node C:\Users\motch\Documents\DSH\dsh-vision-gemma\test\server-test.mjs
# 実APIを使わないプロトコル試験のみ:
node C:\Users\motch\Documents\DSH\dsh-vision-gemma\test\server-test.mjs --skip-live

実API試験は test/tmp/ に合成 PNG (緑背景に赤円 / 白背景に青三角) を生成し、 色と図形の認識を検証する。クォータ消費は gemma-4 呼び出し 2 回のみ。