modlens 是什么？DeepSeek Harness 视觉多模态 DSH plugin 解析

modlens 是 DeepSeek Harness 的视觉外挂 DSH plugin：它给纯文本模型补上「看图」能力——粘贴图片即得结构化 JSON 证据，覆盖 OCR 文字、版面与语义（来源）。 这篇只解析这一个插件，按三个方向讲：它能做什么、怎么装怎么用、以及要不要为它付出 token 与隐私代价。

概览：一句话定位 modlens 这个 DSH plugin

它解决的是「模型是纯文本的，但你要它看截图」这一类需求。 把图片粘进对话，modlens 调用视觉模型把图片转成分字段的证据再交给主模型，而不是让主模型凭空猜图。它在插件市场里属工具 / 视觉类，已有 verified 标注。

它干什么：给纯文本的 DeepSeek Harness 外挂「看图」能力

核心机制是「转换」而不是「替代」——modlens 把图片变成文本证据，再让主模型基于证据推理。 三个要点：

1. 粘贴图片即得结构化证据 — 你把截图或照片粘进对话，它返回分字段的 JSON，含识别出的文字、版面块与语义标签。预期：模型能引用图片里的具体文字与结构，而不是笼统描述。
2. 自动发现并包装视觉路由 — 插件自动发现可用的视觉模型通道并包装成路由，把图片分派给对应模型。预期：不必逐个手工配置视觉模型。
3. 零配置、可轮换密钥 — 即装即用，并支持多模型密钥轮换与故障转移。预期：某个密钥失效时自动切到备用通道。

一句话区分它与模型自带视觉：modlens 是「翻译官」，把图翻译成文字证据；模型自带视觉是「本人会看图」。 DeepSeek Harness 侧只有声明接受图片的模型才会直接收到图片（来源），这也是为什么纯文本模型需要 modlens 这类外挂。

怎么用这个 DSH plugin：安装、输入与和内置图像理解的关系

安装走标准插件通道，二选一：

1. 图形化 — 打开插件市场，搜 modlens，点安装。视觉 / 多模态类插件都在这里按分类找，入口是 DSH Plugin Hub。预期：已安装列表出现 modlens。
2. 命令行 — 一条命令装完：

dsh plugin --profile web add @liustack/modlens

若要从源码装，官方也给出 GitHub 直装写法：dsh plugin --profile web add github:liustack/modlens。预期：重启 dsh web 后生效。

输入以图片为主（截图、照片）。装好后，把它与模型能力配合起来看：如果所用模型本身不吃图片，modlens 的价值就更突出——它负责把图转换成文本证据；如果你的模型已自带视觉，它能补的是结构化与版面这两个维度。两者的边界与配置要点见《DeepSeek Harness 图片理解》。

适用与代价：DeepSeek Harness 何时值得装 modlens、token 与隐私

判断标准很简单：看你的任务里「读图」是不是高频刚需。

1. 值得装的场景 — 经常要模型读截图、表格图、报错图、票据图并据此推理。预期：省去手工把图里的字敲一遍。
2. 不太值得的场景 — 偶尔贴一张图、或图片只是陪衬；此时额外调用与注入的文本反而累赘。预期：不装更轻。
3. token 与延迟成本 — 看图这一步本身要调用视觉模型，图片先转成 JSON 证据再注入上下文，等于多一轮调用加一段文本。图片越多、分辨率越高，成本和延迟越明显。预期：批量高频看图前先估算。
4. 隐私注意 — 视觉推理多由外部模型完成，图片内容会发往对应服务。涉及敏感信息的截图，先确认所用视觉模型的提供方与数据策略。预期：敏感图不外发或改用合规提供方。

使用 modlens 这个 DSH plugin 的注意事项

1. 它不是模型模态开关：装 modlens 不会让纯文本模型声明接受图片，它只补「把图变成文本」这一步。
2. 来源要看清：安装优先走市场或官方 npm 包名 @liustack/modlens，GitHub 直装可能遇到构建产物问题。
3. 别把它当 OCR 工具单独用：它的价值在于把证据喂给主模型继续推理，脱离对话单独跑不如专用 OCR。
4. 密钥要管好：多模型密钥轮换方便，但密钥本身要按敏感凭据管理。
5. 先小样本试：正式接入前用几张真实图片验证识别质量与成本，再决定是否纳入日常流程。

来源：liustack/modlens、DeepSeek Harness 官方文档 - 配置模型、dshplugin/dsh-plugin-hub