liustack/modlens

DeepSeek 和 GLM 的主力对话模型是纯文本的，无法进行图片识别。ModLens 借助外挂视觉引擎，为纯文本模型补上视觉能力。ModLens 支持直接粘贴图片识别，无需先保存成文件再提供路径。

交流

欢迎随时提issue。也欢迎来 X 上聊：@liustack，你用它做了什么、在哪个 harness 上跑、接下来该做什么，新版本也是那边先发。社群正在筹备中。

亮点

**🥇 全网第一个支持 DeepSeek Harness（dsh）的外挂视觉识别插件：**一条命令 npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@latest，dsh 背后的纯文本 DeepSeek 模型即可通过原生 read_image 工具读图。如果 dsh 提示 declares no dsh.bundle，是 pnpm 的发布冷静期装了旧版，一行命令可解，见故障排查。

DeepSeek Harness 粘贴识图有两种玩法。

① 直接粘贴 贴进来的图片自主转换成文件路径进输入框（与 OpenCode、Pi 同款交互），read_image 工具接手读图。

② 切到带 (modlens vision) 后缀的模型变体（选择器有记忆，选一次就行）再粘贴：缩略图直接可见、所见即所得，体验更接近 Codex App。变体由插件自动发现生成：每条承载纯文本 DeepSeek 或 GLM 模型的 provider 路由各得一组包装条目（默认安装下就是 DeepSeek-V4-Flash (modlens vision) 和 DeepSeek-V4-Pro (modlens vision)，装了 opencode-go、zai 等额外路由的机器会各自多出一组），两家自己的视觉型号自动排除。走哪条通路由 host 依据真实模型元数据逐个裁决：只有被元数据确认纯文本的模型才会被接管，确认不了的一律不动，视觉模型因此保留原生贴图（细节）。

直接粘贴图片识别 无需先保存成文件再提供路径。

• 全网最轻量。 不用 hook，不套壳，不跑本地代理进程，不改任何 harness 配置的一行字：在 skill 类 harness 里它就是一个 skill 文件夹，在 dsh 里就是一个插件。卸载等于删个文件夹，你的 agent 立刻回到原样。
• 零配置起手。 复用 Claude Code、Codex、OpenCode、Pi 已配置，直接复用你本机的其他多模态模型。什么都没有？Antigravity CLI 是免 key 的免费通道，配一个免费 Gemini key 可将识别耗时降至 5 到 10 秒。
• 基于证据而非想象。 全文转录、按阅读顺序划分的版面区块、实体与关系列表，模型引用的是具体内容。
• 一次安装，多端可用。 Claude Code、Codex、Pi、OpenCode 均经真机验证。

安装

第一步，交给你的 AI。 把这句话发给它：

按 https://github.com/liustack/modlens 的 INSTALL.md 安装并配置 modlens skill，完成后运行体检并把结果告诉我。

安装会先盘点你机器上已有的东西。Claude Code、Codex、OpenCode 或 Pi 里任何一个已有的登录态都可能就够了：modlens 复用前一定先征得你同意，体检报告会说清现状。

第二步，只在体检两手空空时，才需要你配一个免费引擎。 推荐免费的 Gemini api key（到 Google AI Studio 领取，约三分钟，无需信用卡），配上后每次识别 5 到 10 秒。其他平台的免费 openai 兼容 key 也行。想完全免注册就装 Antigravity CLI，然后完成登录：

curl -fsSL https://antigravity.google/cli/install.sh | bash
agy                                                           # 浏览器完成登录后退出

安装还会盘点本机其他 harness CLI（Codex、OpenCode、Pi）里可触达的视觉能力，并逐个询问是否允许 modlens 复用。获准的登录态与你自己配的引擎平级入池，每次复用都会在结果里标明花的是谁的额度。

DeepSeek Harness（dsh）用户不走 skill 流程，本包就是原生 dsh 插件：

npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@latest

装完即有 read_image 工具，选「(modlens vision)」模型变体即可直接粘贴识图。引擎配置同样在 ~/.modlens，详见宿主接入。

用法

装好之后不需要记任何命令。正常聊天，粘贴图片或给出图片路径，提问即可，skill 自动触发：图片交给视觉引擎，答案基于读到的内容返回。

视觉引擎：五个内置 provider，四家可复用 CLI，一条故障转移链

ModLens 不绑定任何单一视觉服务。视觉来源一共九个：五个内置 provider（配好任意一个就能用），加四家本机 agent CLI 的登录可以复用。先看内置的：

Provider	需要什么	单次识别耗时	适合谁
gemini-api	免费 Gemini key（三分钟领取，无需信用卡）	5-10 秒	推荐默认
openai	任意 OpenAI 兼容端点（key + baseUrl + model）	5-10 秒	qwen-vl、GLM、自建网关
anthropic	Anthropic API key	5-10 秒	手上已有 key 的机器
antigravity-cli	免费的 agy CLI，浏览器登录一次，无需 key	15-45 秒	完全免注册起步
claude-cli	已登录的 Claude Code	20-45 秒	复用现有 Claude 订阅

不钉死 provider 时，所有配好的引擎组成一条故障转移链：API 快车道先试，agent CLI 兜底，第一个可用结果胜出，meta.attempts 记录每次尝试，回退永远不是无声的。

openai 是万能接口，不只是 OpenAI

任何讲 OpenAI chat-completions 协议、支持图片输入的端点都能直接插上，这基本覆盖了视觉模型的大半个世界：

modlens config set openai.baseUrl https://dashscope.aliyuncs.com/compatible-mode/v1   # qwen-vl
modlens config set openai.apiKey  <key>
modlens config set openai.model   qwen3-vl-plus

同样三个键，换成 GLM 开放平台、SiliconFlow、OpenRouter、自建 vLLM/Ollama 或你自己的网关都一样。你常用的视觉模型只要有 OpenAI 兼容 API，ModLens 就能驱动它。

复用你机器上已有的东西

还有两处现成的视觉能力，一个新 key 都不用配，每家都在你明确同意后才启用：

• **你正在对话的这个 harness 本身。**在登录了订阅的 Claude Code 里用？claude-cli 开箱即可借它读图。装进哪个 harness，安装流程就会问哪个 harness 的授权。
• 机器上其他的 agent CLI。modlens doctor 会逐个发现，你按家授权，它们与你自己的 key 平级入链，不插队。每次复用都在 meta.warnings 里标明花的是谁的额度，绝不无声扣费：

复用来源	需要什么	授权命令	走哪条道
Codex	已登录且有视觉模型的 Codex CLI	config set reuse.codex true	agent 通道，15-45 秒
OpenCode	OpenCode 里配好的视觉模型	config set reuse.opencode true	agent 通道，15-45 秒
Pi	Pi 持有的模型凭据	config set reuse.pi true	API key 直接升级到 5-10 秒的快车道，OAuth 驱动 Pi 本体
Grok	已登录的 Grok CLI（SuperGrok）	config set reuse.grok true	agent 通道，15-45 秒

选择与路由

两个旋钮：modlens config set provider <name> 表达偏好（链继续兜底），-p <name> 钉死单个不回退。代理环境设 HTTPS_PROXY 或 modlens config set proxy <url>，API provider 自动走代理。细节见 CLI 手册（默认模型与参数）、配置手册（全部配置键）、安全说明（远程 URL 由谁抓取）。

实测

以下均为原样记录，驱动的都是纯文本的 DeepSeek-V4-Flash。

最新的一条放最前：在 DeepSeek Harness 里选 DeepSeek-V4-Flash (modlens vision) 变体直接粘贴截图。粘贴保留原生缩略图，轨迹里可见图片抵达时「已由 modlens 视觉桥转写」，回答逐个元素还原了界面。

Codex 桌面 App 中识别一张推文截图。作者、配文、照片内容（连两人的穿着都在内）、发帖时间和全部互动数据（540 万浏览、1.6K 回复、5.7K 转发、11.6 万点赞）逐项读出。

一次粘贴三张图。模型逐张读取，认出三张同属一个视觉家族，并分别描述每张插画的内容和风格。

压力测试：128 个模型的对比散点图。双轴定义、对数刻度、按厂商的配色、高亮区域，以及虚线标注的每一个 DeepSeek 型号全部识别。密集图表是视觉方案最容易出错的场景。

粘贴链路的端到端记录：接入 DeepSeek 的 Claude Code 终端里，粘贴的图片以路径而非像素到达，skill 自动触发，guard 确认当前模型确实没有视觉后才开读，PPT 封面幻灯的标题、版式、背景逐项读出，连文件名被截断这个不确定点都如实说明。

文档

文档	适用场景
安装手册	一步步安装 skill（为 agent 编写）
CLI 手册	skill 所驱动的 CLI：参数、配置与体检
故障排查	命令报错，查成因和解法
配置手册	配置 key、切换 provider、排查配置
输出契约	解析 JSON 或构建下游工具
宿主接入	在 Codex、Claude Code、Pi、OpenCode 中配置
安全说明	恢复文件的权限、图片内容作为不可信输入
更新日志	查询版本变更

参与方式

本仓库不接受 PR。项目由作者独立维护，所有代码经作者本人审阅，这是它可靠性的前提。两种有效的参与方式：

• 提交 issue。 bug、建议、难以理解的报错或文档都欢迎。issue 会被认真阅读，并影响后续开发方向。
• Fork。 MIT 协议下你的副本完全归你，修改和发布不受限制。

插入一条硬广

关注微信公众号「liustack」：AI 创业机会、独立开发见解、AI 实战与工具，第一时间推送。微信扫码，或搜一搜「liustack」：

⭐ 如果它对你有用，请给 ModLens 一个 star，这是其他开发者找到它的方式。

Star History

免责声明

本项目依下方 MIT 协议按现状提供。作者不对任何特定用途（含商业使用）提供保证或背书。上游引擎（Antigravity CLI，Gemini、OpenAI、Anthropic 的 API，以及任何 OpenAI 兼容端点）的使用受各自条款和额度约束，由使用者负责。

License

MIT