dsh-vision-toolkit

一句话定位

给纯文本模型装一双"可以调用的眼睛"——图片问答、长截图 OCR、UI 还原、像素对比这些视觉能力被做成 10 个工具，agent 按需调用，而不是假装模型自己会看图。

做这个东西的人

作者 Anionex（GitHub @Anionex，X @anion_ex，个人站 anionex.me）。他先做了上游通用视觉工具包 agent-vision-toolkit，再做了这个 DSH 原生集成层。仓库 2026-08-13 建，MIT，v0.1.4，44 提交。个人开源项目，带可选的 FUNDING.md 赞助通道（明确声明赞助不买路线图优先级、不买私人支持）。

判断：这是六件套里唯一有"上游资产"的作者——先做了通用的，再做集成的。这个顺序说明他是认真解决"文本模型没有视觉"这个真问题，而不是为了蹭 DSH 热度临时拼一个。

它到底能做哪几件事

• 10 个视觉工具 → glance（描述/定向问答/OCR/多图比较）、ground（目标定位像素框）、detect（元素清单+像素框定位）、trace（转 SVG 矢量）、crop、pixel_diff（像素差热力图）、long_screenshot_ocr（长截图 OCR）、extract_foreground、dominant_colors、html_screenshot
• 意图感知执行 → 每个工具执行特定意图的任务（定位、检测、追踪），而不是"给我一段图片描述"这种泛化输入
• Artifacts → 生成可预览、下载、打开的文件（SVG/PNG/JSON 报告）
• 本地/远程混合 → 本地工具（裁剪、描边、像素对比、取色、前景提取）免费且数据不出机器；远程工具（glance/ground/detect/长截图 OCR）需要自备 OpenAI 兼容视觉 API 凭据
• 渐进式暴露 → 默认只暴露激活工具，加载 vision-tools skill 后才挂载全部 10 个——控制 prompt 膨胀和攻击面
• 安全模型 → 路径限制防穿越、图像预解码验证、凭据永不进日志、浏览器沙箱渲染
• Web + Headless 双配置 → 专属设置页、健康检查、连接测试、版本查看

它明确不做：不重新实现任何视觉算法——算法全在上游 agent-vision-toolkit，这个插件只做 DSH 的集成层（生命周期、凭据、schema、Artifacts、Web 呈现）。职责拆分很干净。

它在替代什么旧行为

DeepSeek 的旗舰文本模型不支持视觉（有实测明确说"V4 本身不支持视觉，想看图片场景还得额外搭配多模态模型"）。以往给纯文本 agent 加视觉只有两条路：人肉转述——你把截图内容打字描述给模型听；或者拿通用工具链自己拼——写 Python/OpenAI API 胶水脚本，把图发给视觉 API 再贴结果回对话。每条路都是每次几十分钟的临时工，错误率高，还没法复用。

dsh-vision-toolkit 替代的就是这套"手工胶水脚本"。它把视觉封装成 agent 可调用的结构化工具：意图明确（定位 vs 检测 vs 描边）、有凭据管理、有 Artifacts 输出、有 Web 设置页。它还顺带替代了一个隐式旧行为——"用截图对比 UI 改没改对"这个 QA 动作（像素差工具 + UI 还原验证），原来靠人肉眼对比两屏。

商业模式

免费 + 自带 API 凭据模式。 插件本体 MIT 免费；远程视觉工具按用户自己的 OpenAI 兼容 API 凭据计费；本地工具完全免费。有可选赞助（FUNDING.md），声明不买优先级。

判断：这是六件套里唯一把成本结构讲清楚的一个——"插件免费、推理费自理"是工具类 AI 插件的标准姿势，因为它本质上是个"调用编排器"，钱花在模型 API 上而不是软件上。这也意味着它没有软件收入，只有影响力收入。

硬数字

• 264 star / 17 fork / 4 open issue（2026-08-14 GitHub API）
• 仓库 2026-08-13 建，44 提交，v0.1.4
• 17 个 Vitest 文件 / 136 个通过测试——这批插件里测试质量最硬的之一
• UI 还原验证：初始像素差 6.04% → 最终 0%（1200×720）
• 单图 ≤10MB / ≤4000 万像素，超时 1000-600000ms，并发 1-16，输入 PNG/JPEG/GIF/WebP
• 团队、用户数、下载量：未披露

四维评估

判断

这是六件套里"产品"最接近成立的一个——有真能力、有验证、有清晰的成本边界。

它的核心判断值得所有 AI 产品抄：能力是工具，不是模型的属性。 模型不会看图，就给它一个会看图的工具，而不是等下一代模型。这个思路让"纯文本模型 + 视觉工具"在功能上等价于多模态模型，成本却便宜一个量级——DeepSeek 用户因此不必为了看一张截图就升级模型。

可迁移的规律：你产品的短板，可以用"可调用的外部工具"补，不必等主能力升级。 以及"渐进式暴露"——能力默认不加载，用到才挂载，既省 token 又缩攻击面，是给 agent 产品加能力时最该抄的安全姿势。

它的软肋：远程视觉工具依赖用户自备第三方 API 凭据，这意味着它是个"编排器"，毛利为零；DeepSeek 官方哪天真出多模态模型，它的远程工具价值会被腰斩（本地工具还在）。它赌的是"文本模型 + 工具组合"这个范式继续成立。

下一步看什么

① 远程工具调用的真实使用量/成本案例——"比多模态便宜一个量级"是否有人晒出账单 ② DeepSeek 官方是否出多模态模型——出了，它的远程工具价值减半 ③ star/测试是否随 DSH rc 迭代保持同步更新——跟慢就装不上

可借鉴的做法

产品逻辑：AI 产品加能力，优先"工具化"而不是"模型化"——把能力做成可按需调用、带凭据管理、带输出的工具，比等模型升级快一个代际。同时抄"渐进式暴露"：新能力默认不挂载，用到才加载，省 token 且缩小攻击面。

定价结构：可借鉴。"插件免费、API 费自理"——工具类产品把成本外显、把软件价格归零，用户算得清账才敢用。它甚至写了 FUNDING.md 且声明赞助不买优先级，把"收费羞耻"处理得干净。

结论

值得关注。 六件套里最接近"真产品"的一个：能力真实、验证充分、成本边界清晰。"视觉工具化"和"渐进式暴露"两个机制可以直接抄走。它的天花板取决于 DeepSeek 官方出不出多模态——这个变量值得盯着看。