dsh-browser-vision

在网页自动化领域，通用大模型往往因为高昂的视觉处理成本而难以大规模落地。dsh-browser-vision 正是为了解决这一痛点而生的。它利用 DeepSeek 的 deepseek-v4-flash-vision-exp 模型，将原本昂贵的“看图”能力变成了廉价且极速的默认选项。通过每步仅消耗 384 个输入 token 的截图机制，该插件在保证代理能够识别页面中文字、图表及非 DOM 元素的同时，将整体运行成本降低了三分之二，彻底改变了视觉代理的性价比逻辑。

作为一款高性能的浏览器工具，它不仅具备基础的导航、点击和表单填充能力，更核心的是提供了强大的结构化数据提取功能。无论是处理截图形式的发票、验证码，还是从复杂的图表中读取数据，插件都能通过 JSON Schema 验证输出，让下游 Agent 无需二次解析。其内置的 auto 视觉模式智能判断是否需要截图，在保证任务成功率的同时最大化资源利用率。

该插件非常适合追求成本效益的 DeepSeek Harness 用户、CI/CD 流水线开发者以及各类智能体。如果你需要在本地环境或云端运行大规模的网页测试与自动化任务，且对成本和速度有严格要求，dsh-browser-vision 是目前市场上最经济高效的解决方案之一。它让“低成本”与“高精度”的网页自动化变得触手可及。