ModLens 怎么用？让 DeepSeek Harness 纯文本模型看懂图片

ModLens 是 DeepSeek Harness 的首个视觉插件，给纯文本模型装上「眼睛」：把图片直接粘贴进聊天，模型就能通过原生 modlens_read_image 工具读出内容，输出结构化 JSON 证据。

ModLens 由 liustack 维护，采用 MIT 协议，面向 DeepSeek Harness（DSH）里只支持纯文本的模型（如 DeepSeek、GLM）。这些模型本身无法读取图片，ModLens 通过原生工具把图片转成 OCR、版面、语义三类结构化信息，再交给模型理解。

ModLens 解决了什么问题？

纯文本模型没有视觉能力，读到图片时要么报错、要么直接忽略。传统做法是先把图片存成文件、再把路径传给模型，但纯文本模型拿到路径也没法「看」。

ModLens 把这一步简化成「粘贴即读」：图片粘贴进聊天后，由原生 modlens_read_image 工具转换成结构化 JSON 证据，包含 OCR 文字、版面结构和语义信息，模型据此理解图像内容（来源）。

ModLens 怎么安装？

安装只有一条命令，使用 DSH 的插件管理功能：

dsh plugin --profile web add github:liustack/modlens

更新时再次运行同一条命令即可。安装命令显式指定版本号而非 @latest，是为了规避 pnpm 11 对「发布不足 24 小时版本」的延迟。

两种粘贴方式怎么选？

ModLens 支持两种方式，按需选择：

• 直接粘贴：图片作为临时文件，文件路径进入编辑器，适合需要把图片当附件处理的场景。
• 选择 (modlens vision) 模型条目：缩略图保留在消息里，请求时再转成结构化证据，适合想在对话里持续看到图片的场景。

两种方式都会触发 modlens_read_image，区别只在图片的呈现与转换时机。

ModLens 自动包装哪些模型路由？

ModLens 会自动发现所有携带纯文本 DeepSeek 或 GLM 模型的提供商路由，为每条路由追加一个包装条目（如 DeepSeek-V4-Flash (modlens vision)），并记住你的选择。

它只接管元数据确认是纯文本的模型，视觉模型会被自动排除，未确认的保持原样，因此视觉模型的原生粘贴体验不受影响。

配置文档与输出契约在哪里？

ModLens 提供三类文档，方便定制与排查：

• 配置：skills/modlens/references/configure.md
• 输出契约：docs/output-schema.md（定义 OCR、版面、语义字段）
• 安全：docs/security.md（说明图片处理的安全措施）

注意事项与局限

• ModLens 基于 TypeScript 开发，需要 Node.js 环境。
• 它面向纯文本模型，视觉模型无需也不应使用 ModLens。
• 遇到问题优先到 GitHub Issues 反馈；作者 liustack 在 X（Twitter）同步发布动态。
• 配套的 ModSearch 网页工具提供额外的视觉搜索能力，可作为补充。

更多 DSH 插件见 插件中心。