dsh-multimodal-router

在本地跑 DeepSeek 时，推理能力往往不是瓶颈——真正让人头疼的是它看不到图片。把一张 UI 截图或数据图表贴进对话，模型只能回一句我无法识别图片。dsh-multimodal-router 正是为这个缺口而生：它把图像理解静默地委托给本机 Ollama 上的视觉模型，将结果以文本证据的形式交回 DeepSeek，整个对话流程对用户透明，无需手写 prompt 或配置端点。

核心能力围绕三条线展开。第一，零配置发现：插件自动扫描 Ollama 的模型元数据，找出具备视觉能力的 Gemma 4 等模型，支持拖拽、粘贴、纸夹按钮三种图像输入方式，并提供 OCR、图表、UI、代码等预设分析模式。第二，本地实时语音：当本机同时具备音频感知模型（Gemma 4 E2B/E4B/12B）和 Qwen3-TTS 语音合成时，插件会开启完整的语音对话——每 1.5 秒增量转写、静默自动发送、本地 TTS 朗读回复，点击即可打断。第三，隐私优先：所有路由默认仅在 localhost 完成，远程回退默认关闭，API 密钥只从环境变量读取，归档文件名仅含 SHA-256 摘要，不保留原始文件名。

如果你是在 Apple Silicon 或 x86 Mac 上做本地 LLM 开发、希望在不把图片出机的前提下获得多模态能力，或者想体验一套完全离线的实时语音对话，这个插件提供了一条极低门槛的路径——装完就能用，不装语音组件也完全不影响图像功能。