dsh-vision-toolkit

给纯文本模型装眼睛，粘贴图片就能问答和还原 UI

开源 🏷️定价信息待确认 ✅ 目前可打开计算机视觉 🍴 复刻 48 🐛 待处理 5 👀 关注 3

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 942

维护状态活跃

是否开源开源

定价模式 🏷️定价信息待确认

项目预览

项目数据

分类计算机视觉

开发团队Anionex

官网地址https://agent-vision.anionex.me

GitHubhttps://github.com/Anionex/dsh-vision-toolkit

定价模式🏷️定价信息待确认

价格说明定价信息待确认

访问状态✅ 目前可打开

是否开源是

开源协议MIT

主要语言TypeScript

技术栈/模型agent-skills,agent-vision-toolkit,computer-vision,deepseek,deepseek-harness,dsh,dsh-plugin,gui-automation,ocr,plugin,python,screenshot-testing,text-only-llm,typescript,ui-restoration,vision-language-model,vision-tools

GitHub 星标★ 942

上线时间2026-08-13 00:00:00

代码更新2026-11-12

仓库体积11.3 MB

本站数据更新2026-11-12

维护状态活跃

收录时间2026-09-29

浏览次数1

项目介绍

dsh-vision-toolkit 是一个为纯文本大模型补上视觉能力的工具箱，以 DeepSeek Harness 插件形式提供。它解决的核心问题是：很多文本模型本身不支持图像输入，导致用户无法直接让 AI 看图、读截图或还原界面。项目通过一行安装即可接入，支持粘贴图片直接识别、多图问答、长截图 OCR、截图到前端 UI 还原、目标定位（grounding）、像素级对比、Artifacts 产物输出以及 Web UI 操作。技术栈为 TypeScript，属于 agent-skills 与 agent-vision-toolkit 生态的一部分。它把视觉任务封装成可被 agent 调用的技能，让文本模型也能完成看图说话、界面复刻和自动化 GUI 操作，适合需要给现有文本模型快速加装视觉能力的开发者与自动化场景。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-09-29 · 当前星标 ★ 942

技术标签

agent-skills computer-vision deepseek deepseek-harness dsh

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：入门约 10 分钟部署方式：Agent 插件 4 步

环境要求

支持该插件的 Agent 宿主

安装与启动步骤

1装插件

这是一个 dsh 的图像坐标工具包，装上后可直接把图片丢给 Agent 问位置。
2直接提问

用自然语言描述要找的界面元素，它会返回原图像素坐标并可画出标注框。
```
Find the login button in the top-right corner, return original pixel coordinates, and make a boxed preview.
```
3用于自动化

拿到坐标后可喂给点击脚本或 UI 自动化框架，避免写脆弱的元素选择器。
4校验结果

首次使用先人工核对一次坐标是否准确，再批量接入。