分类 05 · 浏览器与多模态
dsh 浏览器与多模态插件
浏览器与多模态类插件补的是「感知」:让纯文本模型上网、看图、听声音,或驱动真实浏览器。图片和网页会发到哪里,是这一类最该先问的问题。
这一类插件换掉的是什么
浏览器与多模态类插件补的是「感知」:让纯文本模型能上网、能看图、能听声音,或者让 dsh 驱动一个真实浏览器。上游分成 Browser & Web、Vision & Multimodal、Voice & Audio 三组,共同点是它们都要和 dsh 之外的世界交换数据。
这类插件经常涉及截图、网页内容、图片、音频,数据流向比纯本地工具复杂。装之前最该问的不是「它能做什么」,而是「我的图片和网页会发到哪里」。
什么时候值得装
- 你要做资料检索、竞品调研、网页操作,纯文本模型拿不到页面内容。
- 你要让模型看截图、读 OCR、对比设计稿、理解图表。
- 你要用语音输入或朗读,把 dsh 变成更顺手的交互方式。
- 你要做浏览器自动化或 UI 测试,需要真实 Chrome/Chromium 的上下文。
如果只是偶尔贴一张图,先用支持图片输入的模型即可,不必装视觉路由插件。
怎么挑
- 图片和网页发到哪里? 本地像素工具、云端视觉模型、匿名免费端点,数据去向完全不同。README 应该写清楚;没写的不要装。
- 要不要浏览器或系统权限? 驱动真实浏览器、截屏、读摄像头都需要额外权限。先确认它能限制在哪个窗口、哪个目录。
- 模型要求。 视觉插件通常要求宿主版本、Node 版本和视觉模型;版本不匹配会直接不可用。
- 失败时的降级。 网络不通、模型限流、浏览器断开时,插件是报错还是静默失败?有降级链和明确报错的更可靠。
装之前要注意
浏览器控制和屏幕读取都属于敏感权限。不要把已登录的网银、邮箱、公司后台放在 agent 能控制的浏览器里;需要登录态时,用单独的浏览器 profile。视觉插件的「仅本地」开关要确认是真的只走 localhost,而不是只关掉某一个云厂商。语音插件会接触麦克风,先看它的录音保存策略。
这一页的 30 个条目怎么排的
按 GitHub star 排序,去掉同仓库重复条目。带「长期未更新」标记的不进详情页候选池。这个分类条目相对少,遇到描述含糊的,直接看仓库 README 的数据流向章节。
按 star 排序的 30 个条目
-
BrowserSkill
BrowserSkill 的 DeepSeek Harness 浏览器自动化桥接插件,通过原生浏览器工具控制可见的 Chrome 和 Edge Agent Window。
10599 -
modlens
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)。
5041 -
dsh-free-search
内置 7 个搜索引擎,为 DSH 提供免费网页搜索。
1484 -
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。
1291 -
dsh-browser
Chrome 侧边栏扩展,让 DSH 直接操控你的浏览器,无需视觉能力。
1106 -
modsearch
纯文本 agent 的联网搜索桥:搜索网页与 X,返回结构化 JSON 证据(search/fetch/引用)。
1024 -
dsh-vision-toolkit
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。
948 -
dsh-see-now
让只有文字的智能体「看」实时屏幕或摄像头:每帧按画面变化量打分,只把真正变了的帧拼成一张带编号、带音轨条的宫格图——看视频、看演示、看游戏都行,token 只花在变了的地方。
717 -
dsh-video-storyboard
把视频(本地文件,或 B 站 / yt-dlp 链接)压成一张可寻址的宫格图:每格烧编号、对应精确时间、挂台词,底部还有同时间轴的音频包络。
580 -
dsh-ego-browser
用 35 个结构化工具从 DeepSeek Harness 驱动真实 Chrome/Chromium:导航、语义快照、点击、表单、JavaScript/CDP、截图、下载与标签页管理。
555 -
dsh-qwen-studio
DSH 的 Qwen Image 2.1 创作工作区:本机 MLX 或自己的 NVIDIA 服务器,支持原生参考编辑、LoRA、结构控制、蒙版、整套预设、图库与对话实时进度。
361 -
dsh-tts-bridge
用 DeepSeek 网页端自带的朗读,把 DSH 里的对话念出来,靠一个小浏览器扩展驱动。
262 -
dsh-imagegen
面向 DSH Web GUI 的 AI 生图插件:通过可配置的 OpenAI 兼容端点(gpt-image-2 / gpt-image-1 / dall-e-3)实现文生图与图生图。
203 -
dsh-comfyui
让 DeepSeek Harness 的 Agent 直接驱动本地或远程 ComfyUI。
190 -
Envoy
贴一条链接,Agent 直接把内容读给你:小红书笔记、抖音与 B 站视频、微信公众号文章,连同文章、PDF、音频,都变成可引用的 Markdown,直接进你的知识库或 wiki。
160 -
dsh-voice-prompt-enhancer
把输入框草稿改写为更清晰、结构化的提示词(5 模式·模型回退链·可选多轮记忆),并为 DSH 语音输入加上说完自动停、热键与口水词清理;识别仍由官方 speechToText 提供。
132 -
dsh-tabbit
让 DeepSeek Harness 能够控制 Tabbit 浏览器:安装即自动加载 tabbit-browser skill。
128 -
dsh-imagegen-video
面向 DSH Web GUI 的 AI 生图与生视频插件:文生图/图生图按渠道配置模型目录。
114 -
dsh-douyin-agent
在专用浏览器中按每日时段和额度观看抖音,共享本地人格与兴趣,提供原生设置、自检、用量和观看日报。
104 -
dsh-web-search-pro
增强型网页搜索:多引擎路由、SQLite 缓存与 Playwright 渲染。
90 -
dsh-omi-voice
DeepSeek Harness 对话内朗读:点一下即可朗读、暂停、继续 AI 回复,豆包 TTS 自然音色(BYOK),只读最终回答并过滤代码、表格与图形,本地引擎,插件零 Key。
75 -
dsh-browser-control
通过本地 WebSocket 桥接让 DSH 操控你的真实 Chrome:标签页管理、导航、DOM 快照、页面 JS 求值、点击输入、截图、等待与弹窗处理,默认关闭需在设置中开启。
73 -
dsh-plugin-xiaomi-mimo-tts
为 DSH 提供小米 MiMo、豆包、Breeze 和浏览器语音,支持接入外部供应商与本地模型、文本过滤、实时流式朗读、音频下载、音效、桌宠及 QQ Bot、AI Passport 联动。
64 -
dsh-plugin-tts
用免费 Edge TTS 或你自己的 RVC 音色朗读 AI 回复:消息朗读与自动朗读、长文自适应分块渐进播放(无缝衔接)、音色包仓库一键安装、便携 RVC 运行时。
63 -
dsh-doyourweb
通过可搜索的原生侧栏或 @ 引用已登录的 Chrome / Edge 标签页、已授权的本地 HTML 和运行中的 Windows 应用。
60 -
dsh-voice-ai-girlfriend-plugin
Web UI 语音 AI 女友:FunASR 麦克风语音输入、Qwen3-TTS 语音回复、数字人动画窗、QQ 双向聊天(文本/语音/图片推送,经 NapCat)。
61 -
aginxbrowser
给 DSH agent 的网页访问层:把 JS 渲染或受保护的页面抓成干净 markdown,聚合搜索 14 个引擎,并提供有状态交互会话(点击、输入、滚动、eval、截图)。
56 -
dsh-watch-together
和只有文字的智能体一起看视频:需要 ffmpeg 和浏览器扩展上报真实播放位置(不是定时器),在每段结束前把画面和台词交到它手上。
52 -
any-audio
在 DSH 里播放与整理音频的音频工作站。
49 -
dsh-design-qa
给纯文本模型的设计稿保真判定:deepseek_vision 工具从任意 OpenAI 兼容视觉路由借来一只眼。
44
没有匹配的条目。换个词,或清空筛选看全部 30 个。
列表只收 upstream 归到本类的前 30 个;更多条目按用途拆在相邻分类里。复制按钮内的命令是目录给出的原始安装命令,执行前先核对包名。
这一类常见的问题
图片会被发到哪里?
看插件的数据流向说明。本地像素工具在本机处理;模型类识图会把图片发给视觉供应商;免费兜底可能发到匿名端点。
需要什么浏览器?
驱动真实浏览器的插件通常要 Chrome/Chromium/Edge;只做 OCR 或图片分析的插件不需要浏览器。
能完全本地吗?
要同时满足:视觉端点在本机、聊天模型也在本机,并打开插件的仅本地开关。只开一半不算纯本地。