插件详情 · 浏览器与多模态
dsh-vision-router 怎么安装使用 — dsh 插件
dsh-vision-router 给纯文本 Agent 装上「眼睛」:日常仍是 DeepSeek 思考,需要看图时把图片轮路由给视觉模型,并提供一组像素级工具。默认带免 Key 的免费兜底,也可以配置自己的视觉模型。
dsh plugin --profile web add dsh-vision-router
这是插件目录给出的安装命令。把它粘进终端执行;装完按页面里的说明重启或刷新。不要把它和别的包名混在一起。
它解决什么问题
DeepSeek 的文本模型很强,但不直接看图。常见的「视觉桥」做法是把图片转成文字描述再喂给模型,信息会在描述这一步丢失。dsh-vision-router 换了个思路:图片轮直接交给视觉模型看图像像素,DeepSeek 仍然是大脑,Agent 自己驱动工具,可以跨多个步骤对同一张图操作。
它带一组像素工具:看图问答、定位、裁剪、像素对比、取色、OCR、SVG 矢量化、抠图、HTML 截图等。README 把它总结为「DeepSeek 负责思考,内置免费视觉链 + 14 个深看工具负责看」。
装之前要什么条件
- DSH 0.2.1-rc.5 或更新,当前建议 0.2.2-rc.1;0.1.x 和更早的 0.2.x 预发布版已退役。
- Node.js >= 24.9.0(宿主侧)。
- Web profile;从源码运行就用
pnpm dsh。 - 默认免费链路不需要 API Key;付费 HTTP Provider 只需一个凭据引用。
vision_html_screenshot需要 Chrome/Chromium/Edge;桌面截屏需要显式开启,Linux 还要 ImageMagick 或 scrot。OCR 的 Tesseract 是可选的。
安装
dsh plugin --profile web add dsh-vision-router
装完重启,打开输入框旁的「👁 识图」开关,粘贴或上传图片即可。想用自己的视觉模型,在 设置 → 模型 配好供应商和密钥,再在 Vision Router 的视觉后端里选同一个 Host 目录里的模型,用「测试识图」验证。
装完在哪里看到
- 输入框旁的「👁 识图」开关。
- 设置 → Vision Router:常规、仅本地视觉、视觉后端、OCR 默认引擎、代理。
- 工具调用记录里能看到
vision_*工具和它返回的结构化结果。
注意什么
- 默认不是完全离线。 README 的数据流向表写明:本地像素工具在本机处理;图片轮路由和 describe/detect/ground 等模型工具会把图片或局部裁剪发给当前视觉供应商;内置免费兜底会匿名发往 OVHcloud AI Endpoints。
- 「仅本地视觉」只管插件。 打开后只允许回环地址上的视觉端点;要做到整个工作流纯本地,聊天模型也必须是本地的。
- 截图和桌面权限。 桌面截屏要显式开启;Linux 需要可截取的桌面会话。
- Host 版本。 插件依赖 DSH 的 Connection 和附件机制,版本不对会直接不可用。
- OCR 可选。 本地 OCR 不是必装,未安装时会按隐私设置回退;不想回退就强制
engine=tesseract。
同类替代
- modlens:复用本机 Claude Code/Codex 等登录态做视觉引擎。
- dsh-vision-toolkit:10 个意图化视觉工具,按需显式调用。
- dsh-see-now:让纯文本 Agent 看实时屏幕或摄像头。
要「图片轮自动路由 + 免费兜底」选这个;只想偶尔调一个视觉工具,选工具集类。
条目信息
- 插件名
- dsh-vision-router
- 所属分类
- 浏览器与多模态
- 目录版本
- v3.4.0
- 最后 push
- 2026-11-20
- archived
- 否
- 数据来源
- dsh-plugin-catalog 2026.1119.23991 + GitHub API
所属分类与同类插件
看整类 613 个这三个是同一分类里 star 靠前的条目,只作为替代参考;没有独立详情页,名字链到分类页里的对应条目。
安装前常问
默认真的免费吗?
README 说内置免费链路不需要 API Key,走 OVHcloud AI Endpoints 的匿名兜底;服务仍会收到请求内容和源 IP,免费额度和可用性由对方决定。
图片会被发到哪里?
本地像素工具在本机处理;模型类的识图工具会把图片或裁剪发给当前视觉供应商;免费兜底发往 OVHcloud。详见 README 的数据流向表。
能完全离线吗?
打开「仅本地视觉」后,插件只允许回环地址的视觉端点;要整个工作流离线,聊天模型也必须本地,否则识图结果文本仍会交给云端聊天模型。