DSH Marketplace

dsh-vision-router

ysr666/dsh-vision-router

为纯文本 Agent 提供视觉能力:内置免 Key 视觉链 + 像素级视觉工具(看图问答、定位、裁剪、像素对比、取色、OCR、矢量化、抠图、截图);粘贴图片即可用。

1,17257JavaScriptMIT源码

安装

把 dsh-vision-router 装进 DeepSeek Harness

装到哪

npm 方式

直接拉已发布的 tarball,不用克隆整个仓库,也不需要额外配置。如果你用的是别的 profile,把 `web` 换成对应的名字。

GitHub 方式 · npm 包

从 GitHub 装会执行项目自己的构建脚本,而 pnpm 默认拦着不让跑——先跑一次这条命令,pnpm 会打印出要加到 ~/.dsh/profiles/web/pnpm-workspace.yaml 里 `allowBuilds` 下面的那个 key。

我们跑过之后

我们跑过,装得上

这里每条命令都在一次性容器里、对着干净 profile 真跑过,结果取自 harness 自己的记录,不是读源码猜的。 最近一次 11 天前,DeepSeek Harness 0.2.2-rc.1.

挂进你的 README

实测可装 — dshmarketplace

给维护者的:badge 取这条 listing 最近一次 sandbox 实测的结果,重跑之后它自己会变,读者点开就是这页的完整记录。

安装前须知

装 dsh-vision-router 之前,先看这几条

  • 源码在这里: ysr666/dsh-vision-router——已进入社区精选库,DSH 自带的插件市场就是从这儿装的。
  • 开源协议:MIT。

安全

装 dsh-vision-router 会执行什么

构建脚本

我们这次实装里没有构建脚本被拦。

来源:我们在沙箱里的实装,DeepSeek Harness 0.2.2-rc.1,11 天前。

安装钩子

package.json 里没有 preinstall / install / postinstall 脚本。

来源:最近一次同步时读到的 GitHub 上的 package.json。prepare 没有记录——它只在从 GitHub 装时执行,被 pnpm 拦下时会出现在「构建脚本」那一行。

README 里提到

shell 命令(bash、exec、spawn 之类)

来源:对 README 做的关键词匹配,只提示它可能碰到什么,不是代码分析。

这不是安全审计。上面是一次实装记录加两次文本扫描,没有人替你读过这个插件的代码。插件带着你 agent 的权限在跑。

AI 锐评

是什么 — 给 DeepSeek Harness 上的纯文本 agent 接识图链路和像素工具,composer 开启 Vision 后贴图即可调用。

谁该装 — 你在 DeepSeek Harness 里用纯文本模型处理报错截图、给 UI 控件定位、做 OCR 或设计稿对比,但当前聊天模型吃不进图片。图像不能出机、也不打算自己接视觉后端的人不必装。

注意 — 实测在全新 profile 里能装上,并被 harness 注册。默认会把原图或裁剪、视觉提示和相关请求元数据发到云端视觉提供方,新装还开着匿名 OVHcloud 回退,免 key 并不等于离线。运行过程中会执行 shell 命令。

锐评 — 我会装进日常用的 profile:要的是可重复的 tool turn,不是多一个能看图的聊天窗口。

grok-4.6 写的,只当参考,不当结论。里面说装得上或装不上,是在干净 profile 里真跑过的;其余都是读仓库读出来的。以实际运行为准。

dsh-vision-router 是做什么的

Image tiles pass through model gates and a lens, producing crops, pixel comparisons, traced contours and screenshots.

dsh-vision-router 是一个为纯文本 agent 增加图像处理能力的 DeepSeek Harness 插件。它不把图片先压缩成一段描述再交给 DeepSeek,而是在图像回合中通过视觉模型读取原始像素,DeepSeek 继续负责推理。插件使用 agent/request waterfall,并随包提供 dsh.bundle.patch;执行安装后会自动接入 composition row、admission wrapper 和附件限制,不需要手动修改文件。接管官方 DeepSeek 路由的 stealth mode 默认关闭。

视觉请求优先使用用户配置的 vision model,之后才进入内置的 OVHcloud 免 Key fallback chain。可用能力包括看图问答、定位、裁剪、像素对比、取色、OCR、SVG trace、抠图和截图,README 明确展示了 vision_ground、vision_crop、vision_describe、vision_pixel_diff。图片答案按图像内容缓存,图片在会话界面中仍以图片显示,内部改写只发生在模型调用中。

它适合需要连续检查图片、但不想切换主模型的文本型 agent。不适合已有足够视觉路由的环境,或不能接受匿名外部 endpoint 的场景;内置 fallback 每个 IP、每个模型为每分钟 2 次。插件还会触及终端表面,因为本地图像处理依赖 sharp、potrace、tesseract 和 system Chrome。

dsh-vision-router 的文档

行为说明

图片回合会作为普通 tool-calling turn 处理。agent 可以先调用 vision_ground 定位,再用 vision_crop 裁剪、vision_describe 描述或 vision_pixel_diff 对比,修改后重新截图检查。上传图片仍保留在会话界面中,内部路由改写不会写入 session log。文本回合继续使用原有模型、成本和上下文路径;答案按图像内容缓存。

工具

README 列出的能力包括问答、grounding、裁剪、pixel diff、取色、OCR、SVG trace、抠图和截图。明确出现的工具如下:

工具 用途
vision_ground 在图片中定位元素
vision_crop 裁剪图片区域
vision_describe 生成图片描述
vision_pixel_diff 对比图片像素

路由与 fallback

用户提供的 vision model 优先使用;不可用时进入包含五个模型的 OVHcloud anonymous fallback chain,无需账号或 Key。README 标明每个 IP、每个模型限制为 2 requests/minute,独立 bucket 理论上合计约 10 RPM。

环境要求

运行时要求 Node.js >=22,不需要 Python。本地图像处理使用 sharp、potrace、tesseract 和 system Chrome,其中 system Chrome 用于 HTML screenshot。插件提供 dsh.bundle.patch,并引用 cordis.patch.yml 的 DSH Web profile。

已知限制

接管官方 DeepSeek route 的 stealth mode 是可选项,默认关闭。README 未给出该选项的具体 config key 或命令行 flag。匿名 fallback 受速率限制;插件的本地处理链会访问终端中的 system Chrome。

根据项目自己的文档整理,会跟着上游更新。两边对不上时以源码仓库为准—— 去 GitHub 看原始 README

同一分类

dsh-vision-router 的同类插件

10k

给纯文本模型补视觉:describe_image 把本地路径/URL/附件图片交给可配置的 OpenAI 兼容视觉端点,进会话的只有返回文本。

没有一行式安装命令——这个插件在一个大仓库的子目录里,也没发 npm 包。

GitHub 源码TypeScript2 天前

AI 锐评

dsh-tool-describe-image

是什么 — dsh-tool-describe-image 是纯文本模型的图像描述工具。支持将本地路径、URL或附件发送至配置的 OpenAI 兼容视觉端点,仅返回文本进入会话。

谁该装 — 在使用 DeepSeek Harness 的纯文本模型处理图像附件时,用户适合安装此插件。 使用支持原生视觉模型的用户可以选择不安装,因为他们的模型有内置图像处理能力。

注意 — 在全新 profile 中安装并注册测试通过,未发现明显的坑。 静态检查未发现任何问题。

锐评 — 我会装,因为它让纯文本模型在会话中处理图像输入。

grok-4.6 写的,只当参考,不当结论。里面说装得上或装不上,是在干净 profile 里真跑过的;其余都是读仓库读出来的。以实际运行为准。去看源码
1详情

esp32-iphone-agent

onehumanbeing

4.4k

Let an AI model use a real iPhone with a $7 ESP32: AirPlay eyes, USB HID hands, any OpenAI-compatible vision model. No Mac, no developer account, no jailbreak.

我们跑过,装得上

GitHub 源码Swift11 天前

AI 锐评

esp32-iphone-agent

是什么 — 经 ESP32-S3 把 iPhone 画面交给兼容 OpenAI 的视觉模型,并用 USB HID 点按、滑动和输入。

谁该装 — 在 DeepSeek Harness 里跑兼容 OpenAI 的视觉模型,要把「设重复闹钟并保存」这类步骤做到真机 iPhone 上,同时不走 Mac、开发者账号和越狱。低于 iOS 18、或没有已烧录固件的 ESP32-S3,不必装:没有接收端,链路接不起来。

注意 — 板子会开热点当 AirPlay 接收端,手机要开 AssistiveTouch,模型请求走蜂窝;视觉接口的 API key 或 token 得自备,运行中会执行 shell 命令。指针是相对位移,应用会甩动指针再在画面里校正。在全新 profile 里可以装上并被 DeepSeek Harness 注册。

锐评 — profile 注册成功只说明插件能进 harness,不说明真机已被驱动;我会先看 TestFlight 里镜像和点击是否已经稳定,再决定放不放进 profile。

grok-4.6 写的,只当参考,不当结论。里面说装得上或装不上,是在干净 profile 里真跑过的;其余都是读仓库读出来的。以实际运行为准。去看源码
2源码

modlens

liustack

4.4k

为纯文本模型架起视觉桥梁:粘贴图片,输出结构化 JSON 证据(OCR、版面、语义)。

我们跑过,装得上

npm 包TypeScript1 个月前

AI 锐评

modlens

是什么 — 给 DeepSeek Harness 里的纯文本模型处理直接粘贴的图片,产出带 OCR、阅读顺序版面和实体关系的结构化 JSON。

谁该装 — 用 DeepSeek-V4-Flash、DeepSeek-V4-Pro、GLM-5.3 或 MiMo Pro 在 DeepSeek Harness 里核对界面截图、扫描件时,模型看不见图,缺转写和版面证据。日常已经开在 GLM-5.3-Flash 这类被确认带原生视觉的路由上的人不必装,插件会跳过它们,粘贴仍走原来的多模态通道。

注意 — 实测在全新 profile 里能装上并被注册进 profile。读图走本机已有的 Claude Code、Codex、OpenCode、Pi 登录,或 Antigravity CLI、Gemini、OpenAI 兼容密钥;免费 Gemini 一次约 5–10 秒,逗号分隔密钥会在鉴权、限流或配额失败时轮换。它会执行 shell 命令;屏幕截取热键不在本包,要另找 dsh-screenshot。

锐评 — 装。不写 hook、不改 DeepSeek Harness 配置、不跑本地代理,卸了只删一个文件夹,这个可逆性够我放进常用 profile。

grok-4.6 写的,只当参考,不当结论。里面说装得上或装不上,是在干净 profile 里真跑过的;其余都是读仓库读出来的。以实际运行为准。去看源码
1详情

为纯文本模型"看图“设计更好的视觉工具箱和技能,支持多图理解,图片问答,前端UI还原、GUI 自动化等,并可选无缝接入多个主流agent,直接识别粘贴图片| A vision toolkit and skill designed for text-only llms — image Q&A, long-screenshot OCR, frontend UI restoration, and GUI automation, with optional seamless integration for Codex, Claude Code, Pi, Oh My Pi, and OpenCode

我们跑过,装得上

GitHub 源码Python1 个月前

AI 锐评

agent-vision-toolkit

是什么 — 给纯文本 agent 配看图 CLI 和 skill,做多图问答、长截图 OCR、前端还原和 GUI 自动化。

谁该装 — 在 DeepSeek Harness 里用 DeepSeek 对着设计稿或产品截图改前端、操作 GUI 时,模型吃不到像素。主 agent 已经是多模态、对话里贴图就能问能改的人,用不上这层 CLI。

注意 — 实测在全新 profile 里能装上并被 harness 注册。从 GitHub 源码安装,能力通过 shell CLI 提供。粘贴图要无缝进对话需另内部署本地代理;DSH 的 10 个结构化视觉工具在 dsh-vision-toolkit submodule 中,不初始化就没有。

锐评 — 我装,因为我要的是 harness 补眼,不是为了看图去换掉 DeepSeek。

grok-4.6 写的,只当参考,不当结论。里面说装得上或装不上,是在干净 profile 里真跑过的;其余都是读仓库读出来的。以实际运行为准。去看源码
1源码

让纯文本模型处理视觉任务:粘贴图片后自动切换到 Vision Toolkit 变体,支持图片问答、多图比较、长截图 OCR、截图还原前端 UI、元素定位与像素对比。默认无需 API Key——图片经作者自建的免费服务处理,每台机器每天 100 张;也可改为指向自己的服务商。

DeepSeek Harness 0.2.2-rc.1 拒装最新版

npm 包TypeScript23 天前

AI 锐评

dsh-vision-toolkit

是什么 — 给纯文本模型贴图后切到 Vision Toolkit 变体,做图像问答、多图对比、长图 OCR、截图还原 UI、元素定位和像素 diff。

谁该装 — 在 DSH Web 里用纯文本模型改界面或排障,材料只是贴进会话的截图。 已经固定使用带视觉的模型、不会切回纯文本的人不必装。

注意 — 实测 DeepSeek Harness 0.2.2-rc.1 会在安装前拒掉目前所有版本,因为声明的 DSH 范围不含该版本。默认图片走作者托管的免费服务,每机每日 100 次,也可改成自己的 provider。

锐评 — 我会挂着等作者更新 DSH 范围,而不是放弃或强装最新版。

grok-4.6 写的,只当参考,不当结论。里面说装得上或装不上,是在干净 profile 里真跑过的;其余都是读仓库读出来的。以实际运行为准。去看源码
详情

dsh-browser

omdsh-dev

809

Chrome sidebar extension that lets DeepSeek Harness operate your browser directly, no vision capabilities required. 一款 Chrome 侧边栏扩展程序,可让 DeepSeek Harness 直接操控您的浏览器,无需视觉能力。

我们跑过,装得上

GitHub 源码TypeScript1 个月前

AI 锐评

dsh-browser

是什么 — dsh-browser 是一个 Chrome 侧边栏插件,让 DeepSeek Harness 能直接操控浏览器页面,无需视觉能力。

谁该装 — 在使用 deepseek-v4-flash 模型执行网页点击、表单填写和导航任务的用户适合装它。 不需要浏览器交互的人无需安装此插件。

注意 — 安装需提供 API key 或 token,会执行 shell 命令。从源码安装时需手动允许构建脚本。沙箱实测在全新 profile 中通过。基准测试显示端到端平均延迟 5.32 秒,比 Playwright 基线快约 20%。

锐评 — 不装,因为它只提供浏览器工具而不包含 multimodal 截图功能,若任务不需要这类操作则无需额外插件。

grok-4.6 写的,只当参考,不当结论。里面说装得上或装不上,是在干净 profile 里真跑过的;其余都是读仓库读出来的。以实际运行为准。去看源码
2源码