无尘阁日记

无尘阁日记

想用前沿模型又不想掏钱?这个 dsh 插件声称不登录、不填 Key(6.9 万星)
silcano

github监控器 · 2026-11-10 · 约 3421 字 · Ebony-Vinyl/dsh-our-free-model

 

你想用前沿模型,但一个月几十美金的订阅让你犹豫;你想试几个不同家的模型,但每家都要注册、绑卡、填 Key。摩擦全在"开始用"这一步。

这个插件声称把这一步删了:装在 dsh 里,不登录、不注册、不填 API Key,直接用。

6.9 万星,每天涨 1438 星。但"免费"这两个字背后一定有代价,我把它的 README 从头到尾看了一遍——包括它自己写的"已知边界"——这篇把机制、装法、和代价一起讲清楚。

一、先泼一盆冷水

这个项目的 README 里确实写着"完全免费,不限量"。但同一份 README 里也写了已知边界一节,还列了一堆 issue 编号。

所以正确的读法是:它解决的是"开始的摩擦",不是"永远免费"。

这句话怎么理解?你自己注册三家模型、绑三张卡、管三个 Key,第一次跑通大概要一小时。这个插件把这一小时变成一条命令。至于这条路能走多久,取决于它背后的渠道策略,不由你控制。

把期待放在这个位置,你会觉得它很好用;放在"永久免费的前沿模型",你会失望。

仓库首页:中文说明与榜单

二、它到底是什么:一个 dsh 插件

不是独立软件,是 DeepSeek Harness 的插件。所以前置条件还是那个:先有 dsh。

node --version # >= 24.9.0
npx @deepseek-ai/dsh web

package.json 确认身份:

"name": 与 dsh-our-free-model 相关
"version": 见仓库 releases
"license": "MIT"
零依赖

它自己在 README 里打的两个标签:零依赖、MIT。零依赖这件事对插件很重要——依赖少,随 dsh 版本升级时崩的概率就低。

装法在 README 的"安装"一节,桌面版还有 macOS 的社区构建包。装完你会看到一个和 dsh 原生界面几乎一样的窗口,只是模型列表变了。

三、它凭什么"不填 Key"

这是全文最需要说清楚的一段。它不生产模型,它做的是聚合与路由。

README 里给了几个模块,我把它们翻译成人话:


模块
它在做什么
对你的意义
聚合渠道
内置 76 家提供商的接入方式,自带 Key 的也能接
一个入口,多个来源
命名降级链(combo)
主渠道不行就顺次往下试
一条链路挂了不会整个停摆
本地网关
在本机起一个兼容 Anthropic 原生接口的服务
别的工具也能连它
工具输出压缩
把冗长的工具返回压短再喂给模型
省 token,也省钱
提示词瘦身
精简系统提示
同上
本地应答
部分请求本地处理,不出去
降低延迟和外部依赖

看清楚这张表你就明白它的商业逻辑了:它不是在送模型,它是在做路由层。

路由层的价值在于:当某个渠道失效,它能切到下一个。这也是为什么它要专门做"命名降级链"——这是整个项目的核心工程。

降级链有个隐形成本:你发出去的内容会经过多个渠道。如果内容敏感,你可能不希望它被"顺次试"到第三家。这一点它没法替你判断。

README 里的功能亮点

四、装完怎么用:三条路径

路径一:直接在 dsh 的界面里用。 装完重启 dsh,模型列表里会多出这些条目,选一个开始聊。

路径二:接别的客户端。 它起的是本地网关,兼容 Anthropic 原生接口,所以别的工具也能连:

# 指向本地网关(端口以它启动时打印的为准)
export ANTHROPIC_BASE_URL=http://127.0.0.1:<端口>
export ANTHROPIC_API_KEY=<占位值>

这一步的意义很大:你的编辑器插件、命令行工具,只要支持自定义 base URL,就能用上这套路由。

路径三:多开。 README 提到"多开账号、看额度"这类能力,深层意思是让你把多个渠道当成一个池子用。

五、README 里最值钱的一段:三个真实踩坑

大部分项目 README 只讲功能。这个项目的 README 专门写了一节"三个实际消耗过调试时间的内核行为",这是全文信息密度最高的地方。

坑一:它按 body 的形状读响应,不看 Content-Type。

为什么?因为聚合层后面的渠道五花八门,有的把 JSON 标成 text/plain,有的把错误也返回 200。按 header 判断会误判,按 body 结构判断更稳。

对你的影响:如果你自己写中间件去改它的响应,别动 body 的结构,动了它就认不出来。

坑二:速度那一栏会显示 —。

原因是没有流式的第一 token 时间可测,或者渠道没回 usage。这不是 bug,是渠道能力差异。看到横杠不代表它坏了。

坑三:长思考被截断后会自动恢复。

README 里对应 issue #12。模型思考链太长被截断时,它会重发并接上,而不是直接给你半截答案。这个处理很多人以为是模型能力,其实是插件做的。

我把这三条单独拎出来,是因为它们说明作者真的在用这个东西,而不是发个 README 就完事。

已知边界与版本历史

六、它自己承认的"已知边界"

这一节是我决定写这篇文章的原因。一个声称"完全免费"的项目,在 README 里老老实实列边界,这很少见。

按它列的边界,归纳成四类:


边界类型
具体表现
你该怎么办
渠道稳定性
某个来源随时可能不可用
配好降级链,别只依赖一条
能力差异
不同来源对同一模型的支持度不同(工具调用、图片、长上下文)
重要任务先小样测
额度限制
"不限量"是渠道策略,不是承诺
别把生产流量压上去
版本兼容
dsh 本身在开发者预览期
升级前先看 changelog

第三行我要再说一遍:任何"不限量"都不是技术承诺,是商业策略。策略会变,而且不通知你。

七、七个坑,按踩到的概率排

  • 没装 dsh 就装它。 它是插件,宿主不在就是一堆文件;
  • Node 版本低。 宿主 dsh 要 24.9+,插件跟着一起要求;
  • 只配一条渠道。 那条挂了就全挂,降级链是它的核心价值,别浪费;
  • 拿它跑生产流量。 渠道不受你控制,延迟和可用性都没保证;
  • 敏感内容直接发。 降级链会试多个渠道,你要接受这个前提;
  • 改响应 body 结构。 它按 body 形状判断,改了会解析失败;
  • 看到"—"以为坏了。 那是速度不可测,不是错误。

八、合规与风险:必须自己判断的三件事

这一节没有标准答案,但我必须把它摆出来。

第一,渠道的合法性。 插件本身是 MIT 开源的路由器,但它连的那些来源是不是都合规,不由它保证。你自己用,责任在你。

第二,数据的去向。 你的 prompt 会经过一个或多个第三方渠道。写公司代码、贴客户数据之前,先想清楚。

第三,稳定性预期。 这类项目的生命周期取决于上游策略。今天能用,不代表下个月能用。

我的建议:把它当"试用通道"和"降级备份",不要当主力。主力还是自己付费、自己控 Key 的那种——贵,但你说了算。

九、为什么它能一天涨 1400 星

三个原因,按重要性排:

  1. 它删掉了最大的摩擦。 不注册、不绑卡、不填 Key——这三步劝退的人比价格劝退的还多;
  2. 它寄生在一个正在爆发的生态上。 dsh 一天涨 3000 星,它的插件自然跟着涨。这是生态红利;
  3. 它的 README 写得好。 有边界、有踩坑、有 issue 编号、有验收状态。技术人对"敢说缺点"的项目天然信任。

第三条值得所有开源作者学:把缺点写清楚,比把优点写漂亮更能涨星。

十、谁该装,谁别装


你的情况
建议
想低成本试多个前沿模型
合适,这是它最强的场景
已经有 dsh 在跑
装上试试,成本几乎为零
要给团队/生产用
别,渠道不受控
处理敏感数据
别,数据会过第三方
想学"路由层"怎么设计
强烈建议读它的源码,降级链是范本

十一、和"自己配 API"的成本对比

很多人会问:我自己注册几家、配 Key,不也一样?


自己配
这个插件
首次配置
2-4 小时(注册、绑卡、验证)
10 分钟
多渠道切换
改配置、重启
选一下
失效处理
自己发现、自己换
自动降级
数据可控性
完全可控
经过未知渠道
长期稳定性
取决于你付费
取决于上游策略

这张表的结论很清楚:它省的是时间和摩擦,代价是可控性。选哪个取决于你在做什么——试玩选它,干活选自己配。

十二、地址与版本汇总


用途
地址
仓库
github.com/Ebony-Vinyl/dsh-our-free-model
宿主
deepseek-ai/deepseek-harness(dsh)
安装说明
README 的"安装"与"桌面安装包"两节
已知边界
README 的"已知边界"一节
issue 追踪
仓库 Issues(README 引用了 #8 #11 #12 #13 #19 #20 #21)

版本(截至 2026-11-10):

形态: dsh 插件
许可: MIT
依赖: 零依赖
渠道: 内置 76 家提供商
要求: Node >= 24.9.0(跟随 dsh)
macOS: 有社区构建的桌面安装包

最后一句实在话:这类插件真正的贡献不是"免费",而是它把 LLM 接入做成了可降级的路由层。这个设计以后会变成标配——你现在看它,是在提前看明年的基础设施长什么样。

 

关于作者 · 江天(楠哥)
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师,17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。