ysr666/dsh-vision-router · 上手攻略

  • 仓库：ysr666/dsh-vision-router
  • 链接：https://github.com/ysr666/dsh-vision-router
  • 分类：Tools & Capabilities · DeepSeek Harness Plugin
  • 作者：Tom
  • 更新：2026-08-17

这是什么

dsh-vision-router 是 DeepSeek Harness（DSH）的视觉增强插件，专为"只能处理文本"的 Agent 提供图像理解能力。它的核心思路是：把看图变成一次普通的工具调用，让 Agent 可以用 vision_ground、vision_crop、vision_describe 等 11 个像素级工具按需操作图像，而不是把图片压缩成一段文字描述喂给大模型。

区别于其他 DSH 视觉插件的"描述桥"方案（图片 → VLM 描述 → 文字消息 → DeepSeek），本插件走的是"路由桥"路线：图片轮直接发给视觉模型原生推理，保留像素级保真度，内置免 Key 免费兜底。

解决什么问题

纯文本 Agent（如只支持文字的 DeepSeek 模型）在遇到截图、UI、图纸、数据曲线、代码截图等视觉信息时，要么报错"不支持图片"，要么靠 OCR 插件转成文字——信息大量丢失。

dsh-vision-router 解决这个问题的完整方案：

  • 免 Key 视觉链：内置 OVHcloud 匿名免费视觉端（Qwen2.5-VL-72B-Instruct），不注册、不付费、直接可用，速率约 2 req/min/IP/模型（见下"免费视觉 Key 渠道"可换更大额度）。
  • 11 个像素工具：vision_describe（图文问答）、vision_ground（目标定位）、vision_crop（裁剪）、vision_pixel_diff（像素对比）、vision_colors（取色）、vision_ocr（OCR）、vision_svg_trace（矢量追踪）、vision_cutout（抠图）、vision_screenshot（HTML 截图）、vision_qa、vision_ground_auto。
  • 多步迭代：Agent 可以链式调用多个视觉工具形成 pipeline，直到完成复杂视觉任务。
  • DeepSeek 仍是大脑：文字轮完全不变，视觉模型只当"眼睛"，按需调且答案按图缓存，不影响原模型上下文与 Token 成本。

快速安装

Node.js ≥22 是前置条件，请先确认 node --version。

方式一：npm/npx（推荐）

npx @deepseek-ai/dsh plugin --profile web add dsh-vision-router

安装完成后，启动或重载 DSH Web 即可。

方式二：从源码工作区

cd deepseek-harness          # DSH 源码目录
pnpm dsh plugin --profile web add dsh-vision-router

方式三：第三方 dshpm

dshpm add dsh-vision-router   # 需要 dshpm v0.4.2+

核心配置与工具使用

1. 选择带「+ 自动识图」的模型组

插件加载后会自动在 Settings → 模型 中为每个已启用模型组新增一个同名的"自动识图"入口。例如：

  • opencode-go — 原纯文本模型组，不变
  • opencode-go + 自动识图 — 发图片时选这个

⚠️ 不要在聊天页右下角单独选择视觉模型；那里选的是会话大脑，视觉模型由插件内部路由链决定。

2. 直接往对话里贴图

选择"自动识图"模型组后，直接粘贴图片即可触发视觉工具链。Agent 可在同一次对话里调用任意视觉工具。

3. 关键配置项（Settings → 插件 → 视觉路由）

配置项 说明
视觉后端链 按优先级排列可用视觉模型；最底部可留空走 OVH 免费匿名兜底
隐身模式（默认关） 开启后不接管官方 DeepSeek 路由
extraVisionModels 可选能力标记覆盖，不再是解锁模型的前置条件

4. 免费视觉 Key 渠道（2026 年 8 月快照）

OVH 内置匿名兜底速率有限（约 2 req/min/IP/模型）。如需更大额度，以下渠道免费额度更大，全部免注册/免 Key 或注册即免费：

渠道 免费视觉模型 免费额度 大陆直连
OVHcloud AI Endpoints（access key） Qwen2.5-VL-72B-Instruct 400 次/分钟/项目 ✅
智谱（bigmodel.cn） glm-4.6v-flash · glm-4.1v-thinking-flash · glm-4v-flash token 不限量 ✅
阿里云百炼 qwen3-vl-flash 新用户 100 万 token/90 天 ✅
Intern AI internvl-latest · internvl3.5-latest 30 RPM，9000 万 token/月 ✅
Groq llama-4-scout-17b-16e-instruct 30 RPM / 14400 次/天，免卡 ❌
NVIDIA NIM llama-3.2-11b-vision-instruct 40 RPM，免卡 ⚠️

⚠️ 免费政策随时可能调整，Cerebras 已于 2026 年 7 月取消免费档（改为 $5 赠金）。以上为快照，依赖前请以各控制台为准。

典型适用场景

  1. 代码截图/架构图问答：Agent 直接看架构图，而不是读 OCR 后的残缺文字。
  2. UI 还原与对比：设计师贴图，Agent 用 pixel_diff 量化改动前后差异。
  3. 数据图表解读：折线图、柱状图直接由视觉模型解读数字，无需 OCR。
  4. 多步视觉任务 pipeline：ground → crop → describe → screenshot 多轮迭代。
  5. 免 Key 快速体验：不想注册任何 API 的场景，内置 OVH 免费链开箱即用。

坑与注意

  1. 模型组没选对：如果仍选着原来的纯文本模型组，DSH 会先报错"不支持图片"——这不是插件坏了，只是没切到"自动识图"入口。
  2. OVH 匿名兜底速率极低：2 req/min/IP/模型 ≈ 理论最多 10 req/min（5 个模型合计），正式使用建议配置 Key 渠道。
  3. Python 不可用：本插件完全基于 Node.js/sharp/potrace/tesseract/Chrome，不支持 Python 环境。
  4. 长图/高分辨率图：自动缩放以保护延迟与额度，非破坏性。
  5. 隐身模式默认关：默认会介入 DSH 路由；如需完全隔离官方路由，开启隐身模式。
  6. 免费政策不稳定：Groq/Cerebras 等免费档在 2026 年中频繁变动，不建议作为主力视觉后端依赖。

与同类对比

方案 像素保真 免 Key 开箱 自动路由 多步视觉
描述桥方案（dsh-vision-sidecar 等） ❌ 只有文字描述 ✅ ❌ ❌
MCP 视觉桥 ✅ ❌ ✅ 部分
dsh-vision-router（本文） ✅ ✅ 内置 OVH 匿名 ✅ ✅ 11 工具
modlens ✅ ❌ ❌ ✅

dsh-vision-router 的差异化优势：一条命令安装 + 内置免费兜底 + 整轮自动路由，不需要额外部署外部服务器或注册任何 Key，适合快速尝鲜与正式使用两相宜。

一句话推荐

DeepSeek Harness 用户如果需要看图能力，先装 dsh-vision-router——免 Key 开箱、11 像素工具、自动路由链，粘贴图片就能用，上手成本最低。