发帖缘起：之前在《Minimax H3 小试牛刀》那个帖里回了一段关于「用 IM 远程给本地 agent 下指令」的经验，版主建议我整理成一篇单独发出来。这篇就是在原有回复基础上扩写的实测记录。

适用对象：DSH 跑在远端服务器（或家里的机器）上，人经常不在电脑前，但又想随时使唤它的人。

一、先说我到底想解决什么

DSH 装在一台常年开机的机器上。麻烦在于：人一离开那台机器，这个 agent 就等于不存在了。

我遇到的实际场景就三类：

1. 下班路上，上午让它跑的活儿不知道跑完没有，想瞄一眼结果；
2. 在外面突然想起一件事要它查，但手边没有 SSH、没有远程桌面，也不想掏出笔记本；
3. 电脑在办公室/宿舍，人在外面，想给它派个新任务。

这条路我自己搭过：bot 收消息 → 转成 prompt → 调本地 CLI → 把输出回传，四步就能跑通。但真要长期用，有三个坑绕不开——长任务没回执（跑 20 分钟你以为它死了）、多人串上下文（得按 chat_id 分开维护）、权限敞开（谁拿到 bot 谁就能在你机器上跑命令）。DSH 生态里已经有现成的了，而且比我那层壳完善得多。

这篇记录三个插件，各自解决链路里的一段：

三个仓库：

• dsh-im → https://github.com/xmanrui/dsh-im
• dsh-pocket → https://github.com/shaobeichen/dsh-pocket
• dsh-computer-use → https://github.com/asdasdsdsdasdasdasd/dsh-computer-use
  

▲ 三个插件串起来之后的完整链路。下面逐个拆开讲。

二、dsh-im：把 DSH 接进 IM（我最常用的一个）

IM 这条路最适合懒人——不用装客户端、不用记端口、不用配远程桌面，聊天窗口你已经天天在用了。

它支持什么

一个插件、一个设置入口，把本机 DSH 接到 IM 渠道上。目前内置 9 个渠道，外加 iMessage：

飞书、微信、钉钉、企业微信（含自建应用）、QQ、Slack、Telegram、Discord、WhatsApp

每个渠道都能接多个机器人，各机器人的连接状态、工作区、模型、会话绑定互相独立——这点很实用，等于一个人可以按用途分好几个入口。

▲ 设置 → IM机器人：一个页面管所有渠道，每张卡片独立配工作区、模型、Agent Preset。

为什么我选了飞书

不是随便挑的，飞书这条链路有几个别家没有的好处：

1. 飞书自带豆包工作，语音指令能一路转给 DSH

这是我最看重的一点。我在手机上跟豆包工作说话，豆包把语音转成文字，自动转发给 DSH 飞书 bot，DSH 的回复直接出现在同一个聊天窗口。中文语音识别质量很好——老特在 YT 节目里讲过这个用法，我自己用了确实不错。不想用豆包工作的话，手机上直接装豆包输入法也行，体验同样可以。我的体验是豆包输入法适合你让DSH快速执行短指令，而不是复杂任务的时候用，它识别语音又快又准，当你想给DSH复杂指令，需要多轮对话整理思路的时候，用豆包工作更好（短指令豆包工作也要思考一会儿，没法把他的思考等级调到最低）。

在手机上跟豆包工作多轮对话、远程操控远端服务器上的 DSH，整个流程是顺的：说话 → 转文字 → DSH 干活 → 结果回到聊天窗口。

豆包 DSH 自动转发说明（我自己在用的设置）

【自动转发】
你在豆包里发的消息，会自动转给 DSH，不用额外说"转发"。
DSH 的回复直接出现在当前聊天窗口。

【不转发的情况】
想跟豆包直接说话、不转给 DSH 时，开头说"豆包"或"先别转"。
例："豆包，帮我总结一下刚才 DSH 的回复"

【自动等回复】
转发后豆包会每 10 秒查一次 DSH 有没有回复，最多等 3 分钟。
一有回复立刻摘给你；超过 3 分钟会提示"DSH 还在处理"。

2. 流式卡片，不把思考过程一股脑倒给你

这点明显比我自己写的壳强。插件对飞书 Bot 做了针对性的优化：思考过程、工具执行进度、回答是分层呈现在流式卡片里的，不是每来一个 token 就刷你一脸。手机上调参数、看进度都舒服。

3. 对表格和 Markdown 的支持很好

DSH 很爱输出表格，飞书这边渲染得住。这点对看结果很重要——一份对比结果过来，直接是张能读的表，而不是一坨竖线。

4. 文件双向

传进去：图片、PDF、文件都能带上，连「引用某条消息」的上下文一起交给 DSH。
传出来：DSH 生成的文件、截图、录屏，能作为渠道原生附件回传。我这边统计下来，这段时间里这个回传能力被用了 189 次。

5. 文件大小够用

飞书 IM bot 支持最大 30MB 的文件，比 Discord 免费版的 10MB 要好，mp4、图片、md、ZIP 这些都能传。

一个真实用例（比任何说明都直观）

9 月 6 日我在外面，手上只有手机，需要处理一份《智能路面识别 ASIL-B 提升可行性评估报告》。做法是：

1. 把 PDF 直接拖进飞书 bot 的聊天窗口发出去；
2. 引用同事标注的那条消息，让它「先讲概况，再详细分析」；
3. 就着报告连着追问了好几轮——选项 A/B 到底差在哪、电动车刹车前段动能回收被切断导致的失重空落感、轮端过坎抱死趋势怎么提前识别……

全程在手机上完成，没有打开过电脑。后来这个主题还延伸做成了《ISO 26262 功能安全》科普视频。

这就是「IM 接入」真正的价值：不是把聊天框变好看，而是让一份真实的、有上下文的工作，能在你不在电脑前的时候继续推进。

另一种高频用法：甩个链接，让它去抄作业

除了处理文档，我在 IM 里干得最多的另一件事是——看到好东西，链接一甩。

最简的一次就是一条链接加两个字：

https://x.com/…/status/2098371224006951151
抄作业

有时候连多余的字都不用说，因为上下文里它知道要干什么。比如在飞书上刷到一条效果不错的视频，直接把链接发过去，后面跟一句要求：

https://x.com/…/status/2098352621535072651
你使用 comfyUI，参考 4 步 lora 声音修复版 V2 的 json，
新写一个 JSON，模型使用 minimax H3 ref2V INT8，做一个同样的视频。
把拼接好的成品推送到 DSH 飞书 bot。

这条指令拆开看，其实是一整条流水线：扒原帖里的提示词 → 照我自己机器上的工作流改写 JSON → 跑出一条视频 → 成品回传到聊天窗口。我要做的只是把链接贴进去。

抄作业的几种颗粒度

比如批量那一次：

使用 opencli，抓取并保存 noway163 的所有 Images 的 prompt all metadata，保存为 MD，要和网址关联。……我要你抓取他所有图的 prompt 的 metadata，让我可以抄他作业。

再往后就变成例行公事了——同一个作者的作品集，我会直接说「他的 Prompt 和 Metadata 你都给我存在本地，记得新建一个文件夹」，然后跟一句「定时任务也是一样的」。

为什么这种事特别适合放在 IM 里

因为**「看到好东西」这件事，发生在你刷手机的时候，不在电脑前。**

那条让你眼睛一亮的推文，出现在你通勤的地铁上、排队的间隙里。等三小时后你坐回电脑前，那个链接早就不知道沉到哪个 App 的哪条时间线里去了。

现在我只要顺手一甩，剩下的它自己去跑；跑完了成品还会自己回到这个聊天窗口——视频、PDF、打包好的 zip 都行。

把这 5 个视频发飞书 bot。

三、dsh-pocket：手机扫码，看到电脑上同一块屏幕

IM 适合「下指令、收结果」，但有时候你需要看着那个界面本身——比如它正在跑一个长任务，你想看它滚到哪里了；比如有个审批要点。

dsh-pocket 干的就是这个：装上后，手机扫个码，直接看到并操作电脑上的同一个 DSH 界面，实时同步。

▲ 手机上的界面就是电脑上的界面，流式输出实时同步。

几条通道，按场景切

• 局域网：同一 WiFi 扫码即开，自动识别本机 IP（WSL 环境会自动取 Windows 物理网卡 IP）。
• 公网：点「开启公网访问」走 cloudflared 隧道，4G 下也能访问。
• 公网固定域名：填 Cloudflare Tunnel Token + 自己的域名，走命名隧道，公网地址固定不变（不填就每次重启都换）。

我配的是第三条，买了一个阿里云的域名，让后照着AI教的配好Cloudflare named tunnel。最后按照dsh-pocket一步步设置，就能在手机上公网控制DSH了。

▲ 设置 → 手机访问，和「通用设置」「模型」同级。

四、dsh-computer-use：让 agent 真的动鼠标键盘

IM 和 Pocket 解决的是「怎么把指令送进去、把结果取出来」；computer-use 解决的是「agent 能不能操作那些没有 API 的东西」。

为什么专门挑了这个

市面上 computer-use 类的插件多数是 macOS 或 Windows 的，我这台是 Linux。这个插件的定位很明确：专门给 Linux X11 用，而且零重依赖——不需要 Node 原生模块、不需要 PowerShell、不需要无障碍框架，就 python3 + libX11 + libXtst + ImageMagick。

它提供 9 个工具：

坐标是 X11 原生像素，截图会同时返回 scale 和区域偏移，所以缩放后的图上点选的坐标不会偏。每步输入动作之后还可以自动附一张新截图（observeAfterAction，默认开），模型能立刻确认上一步有没有生效。

我实测跑了一遍完整流程

「你用我装好的 computer use 这个 skill。去查找 NBA 官网的首页。一边翻看它，一边跳到哈登的新闻，然后点开，从头翻到尾。」

后面又追加了两条：

「整个过程你用屏幕录制把它录下来，之后发给我的 DSH 飞书机器人。」
「你录制的视频，只保留 1 分钟以后的东西，然后重新发到 DSH 飞书 bot。」

它是真的在动桌面。我把那次会话的工具调用拉出来还原了一遍，一共 47 次调用，桌面操作部分是这么走的：

computer_screenshot                  ← 先看一眼当前屏幕
computer_click ×2 → computer_key ×2  ← 点地址栏进去、清空原内容
computer_type                        ← 输入网址
computer_key ×2 → type → key ×2      ← 回车、进入站点
computer_screenshot                  ← 确认页面真的加载出来了
computer_click                       ← 点进哈登那条新闻
computer_scroll ×4                   ← 往下翻
computer_click ×2 → key → scroll ×4  ← 继续翻，一直翻到底

后面录屏那段更完整。它先自己探测了本机的录屏工具链（ffmpeg / x11grab / import 这些在不在），确认可用之后直接起了个后台录制：

ffmpeg -f x11grab -video_size 2560x1440 -framerate 25 -i :1 \
       -c:v libx264 -preset veryfast ... rec/nba-harden.mkv

翻完之后停录、转成 mp4、裁掉前 60 秒，最后把 NBA官网-哈登新闻-浏览录屏-1分钟后.mp4 发回了飞书 bot。手机上收到的就是这个视频文件。

整个过程我没在电脑上点过任何一下。

诚实评价

先说好的：在 Linux X11 上操作起来还比较流畅，点击、输入、滚动都稳，不飘。它的每一步动作都会回报「系统实际注册到的原生坐标」，加上动作后自动补截图，所以基本不会点偏。

再说实话：翻网页的速度是老年人手速，比不上 Codex 的 computer use（人家在浏览器场景做了专门优化）。它是「截图 → 判断 → 动作 → 再截图」一步步走的，页面元素多、要看清楚再点的时候会明显慢。而且网页下页有cookie弹窗和小广告的遮挡关键位置的时候，computer-use 理解要叉掉小弹窗+操纵鼠标比较慢。

但是——它够用。凡是「只能用界面、没有 API」的活儿，比如登录态维护、看一眼某个站点的页面、点开某个东西翻一遍，它都能干。而且因为它每一步都截图确认，反而不容易点错。

五、三个串起来是什么效果

单看每个插件都只是「一个入口」，串起来才有意思：

用嘴说一句话 → 飞书 bot 收到 → DSH 在服务器上干活 → 需要操作界面的时候调 computer-use 动鼠标 → 结果（表格 / 图片 / 录屏文件）直接回到手机聊天窗口。

人到哪儿，agent 跟到哪儿。上面那个 NBA 的例子，从头到尾我没打开过电脑。

六、13 个活跃日的实测数据

从 8 月 30 日到 9 月 13 日，我把本机 ~/.dsh/sessions 里的记录全量统计了一遍，数字比主观感受更有说服力：

▲ 每天的输入条数与会话数。09-06 是 IM 渠道的爆发点，09-12 是多 agent 编排那天。

其中 computer_ 类的拆分：截屏 14 次、按键 28 次、滚动 18 次、点击 16 次、输入 7 次。量和前面那个「翻网页」的手感是对得上的——确实是一步一步挪出来的。

七、小结

三个插件里，只用得起一个的话选 dsh-im——它把「随时随地能给 agent 下指令、还能收到成品文件」这件事做得最完整，配合飞书 + 豆包语音那条链路，基本就是给服务器上的 agent 配了一部专线电话。

要盯着看就加 dsh-pocket，它解决的是「我要看那块屏幕本身」的场景，配置一次、命名隧道固定域名之后就不用再管了。

要操作没有 API 的东西就加 dsh-computer-use，在 Linux X11 上它是目前最省事的选择，慢是真慢，但那些只能靠界面点的活儿，它真能替你干完。

最后，三个插件都是社区作者的作品，用得上就去给个 Star。