一句话定位

给纯文本模型装一双眼睛——不是把图片转成一段泛化描述，而是把「为什么看这张图」这个意图一起传给视觉模型，再配上定位、裁剪、描摹、OCR 这类确定性工具，让文本 agent 在真实工作流里能稳定地看见并操作。

做这个东西的人

Anionex，自称 AI-native 开发者，曾登上 GitHub 全球开发者趋势榜第 4 名，名下项目累计 16k+ star。MIT 协议，231 次提交，最近一次 2026-08-14。

判断：一个人能把工具做到 700+ star、五个 agent 的接入全部验证过，说明这是自己在用的产品而不是 demo。focus hint 这个设计不是坐在家里想出来的，是踩过坑踩出来的。

5 个视觉工具 + 1 个工作流 → glance（图里有什么、可追问、可 OCR）、ground（目标定位，返回像素坐标）、detect（清点元素，输出带编号和像素框的目录）、trace（从真实像素提取 SVG 几何，模型不参与拟合）、crop（裁切复用），外加长截图 OCR 工作流（自动找低内容切分带、分段 OCR、消除重叠、对聊天记录说话人/时间戳/边界做专门校验）
focus hint 机制 → 从用户消息或模型调用图片工具的理由中提取查看意图，作为 focus hint 传给视觉模型，让第一轮描述就围绕当前任务组织，而不是给一段通用描述
无缝接入五个 agent → Codex、Claude Code（透明本地代理）、Pi / Oh My Pi、OpenCode（单文件原生扩展）；任何有 shell 的 agent 也能直接用 CLI
DSH 原生支持 → 2026-08-13 新增，dsh-vision-toolkit 提供 10 个结构化视觉工具
成本控制 → 只把「必要意图 + 图片」送进多模态模型上下文，带截断机制；也可用本地小多模态模型（Gemma 4、Qwen 3.5/3.6）做视觉侧车

以前给纯文本模型看图，标准做法是搭「通用视觉桥」：图片丢给多模态模型，输出一段通用描述，再塞回文本模型上下文。问题在于描述是泛化的——同一张 UI 截图，做「还原成 HTML」任务真正需要的布局、间距、组件关系，被稀释成「一个带侧边栏、卡片、按钮和文本的软件界面」。

它替代的是这个通用桥：由「看图 → 泛化描述」改为「带着任务意图看图 → 返回任务相关上下文」，并把像素级精确的活（坐标、颜色、轮廓）交给确定性工具而不是让模型猜。顺带替代的旧行为：以前要接视觉得换多模态模型或重写 harness，现在在文本模型外面加一层就行。

工具免费开源（MIT），商业模式是 BYO 视觉 API：用户自己配 OpenAI 兼容的多模态 API key，按自己的多模态模型调用量付费给上游，它不抽成。

判断：这是「卖水人」式的开源打法——工具免费建口碑，成本和流量都留在上游。对个人开发者成立，因为维护成本低；代价是它没有直接收入，长期维护全看作者意愿。

维度	结论
创始人-产品匹配度	单人做视觉工具、231 次持续提交，产品与作者的能力栈高度吻合
产品洞察力	focus hint 是真洞察——同行都在做「更长的描述」，它做「更对口的描述」
技术实现质量	五个 agent 接入全部验证，工具按理解/定位/清点/描摹/裁切拆分，接口设计克制清晰
市场时机	DSH 发布当天就补上原生视觉插件，时机极准；但纯文本模型的视觉缺口本质是过渡性的

这是一个「小而真」的产品：问题真实、解法聪明、执行到位。 它对 DSH 生态的意义是补上纯文本模型最大的短板——不能看图；对一般从业者的意义是示范了「给能力分级」：语义判断交给模型，像素级精确交给确定性工具，不要让模型猜坐标。

它的天花板也很清楚：它是过渡性产品。 当多模态成为默认，也就是「给纯文本模型加眼睛」这个需求消失的时候，它的价值只剩历史意义。但它示范的 focus hint 机制——把任务意图传给视觉层——在视觉 agent 里会沉淀为长期正确的做法。

① DSH 原生插件上线后，star 增速是否随 DSH 生态一起放大 ② 是否出现企业级使用或付费化（目前纯免费 + BYO API） ③ 多模态普及后定位是否转型——比如从「给纯文本模型眼睛」转向「GUI 自动化」

产品逻辑：「意图要跟着任务走」可以搬到任何把能力外包给另一层模型的场景——不要问模型「这是什么」，要问「我为什么在看这个、它对我当前任务意味着什么」。给第三方模型传上下文时，把任务意图作为 focus hint 传过去，比任何「更长的 prompt」都有效。

工具拆分：把「理解类」和「确定类」操作分开——语义判断留给模型，像素、坐标、几何这类要精度的活交给确定性工具。这个分层可以搬到任何「AI 判断 + 精确执行」混合的产品。

定价结构：开源工具 + BYO API 的「卖水人」结构值得参考——工具免费建口碑，把成本外挂到用户自己的 API 账单上，不做中间商。

值得关注。 它是 DSH 生态里少见的「独立成立」的插件——脱离 DSH 它也能活，在 DSH 里它能补上关键短板。记下 focus hint 机制，这是可以迁移到任何视觉或能力外包场景的设计。