dsh-vision-router

粘贴图片就能用：内置免费视觉链路开箱即用，DeepSeek 继续思考，视觉模型只负责”看”——免 key、免 Python、一条命令装好。

解决什么问题

纯文本模型在 DSH 上看不了图，而多数视觉插件是把图片转成”文字描述”再喂给模型——有损、一次性、看不到像素细节，GUI 定位和 UI 还原这类活根本做不了。常见的视觉方案又要求 API key 或 Python 环境，门槛不低。

这个插件换了一条路：把”看图”变成一次普通工具调用——原始像素保留在视觉模型侧，DeepSeek 只在推理侧。agent 自己按需调用 vision_ground（像素级定位）、vision_crop、vision_pixel_diff（像素差异）等多步迭代，直到任务完成；看图回合和普通工具调用回合一样可落地、可度量、可复现。内置 OVHcloud 匿名回退链路（5 个模型）免账号免 key，自备视觉模型优先、失败自动降级。

核心功能

• 开箱即用的免费视觉链路：内置 OVHcloud 匿名回退（5 个模型），无需账号与 key；自备模型优先、失败自动逐级降级
• 14 个深度视觉工具：vision_ground（原图像素框定位）、vision_detect、vision_crop、vision_pixel_diff、vision_describe、vision_ocr、vision_trace、vision_extract_foreground、vision_html_screenshot 等，另有默认关闭的桌面截图工具
• 整轮自动路由：在模型选择器选 ”+ Auto Vision” 组，粘贴图片后整轮自动交给视觉链路，原模型组保持不变
• 图像记忆：答案按图片内容哈希缓存，后续文字回合复用记录，不重复消耗视觉调用
• 可验证的像素闭环：参考图 → 截图 → vision_pixel_diff 差异比 + 热力图 → 修复 → 重复，UI 还原从”凭感觉”变成可量化
• 本地视觉后端：可选 Ollama / LM Studio 本地识别，离线、免费、私密
• 无 Python 依赖：sharp / potrace / tesseract / 系统 Chrome 完成缩放、定位、裁剪、OCR、SVG 描摹与截图

快速上手

一条命令安装后，在聊天输入框右下角的模型选择器里选一个带 ”+ Auto Vision” 的组，然后正常粘贴或上传图片即可。例如让 agent 用 vision_ground 定位”发送按钮”并返回坐标、用 vision_pixel_diff 对比参考图与实现截图、或对长截图做 vision_long_screenshot_ocr。本地视觉可在设置或 profile patch 里开启 localOllama / localLmStudio。

适合谁

• 想给纯文本 DeepSeek 配上”眼睛”、又不想配 key、装 Python 的 DSH 用户
• 需要 GUI 定位、像素级操作与 UI 还原量化验收的开发者与测试
• 想用本地 Ollama / LM Studio 做离线、私密识别的用户