纯文本模型也能看图，ModLens 插件给 DeepSeek Harness 外挂一双眼睛
很多跑 AI 编程工具的人都撞过一堵墙：手里的模型很能写代码，但发截图给它，它说看不了。DeepSeek 的旗舰对话模型和 GLM 的一些主力型号都是纯文本模型，天生没有视觉能力。ModLens 就是补这块短板的：一个开源视觉插件，开发者 Leon Liu（liustack）出品，npm 包 @liustack/modlens，当前版本 3.26.1，在 SkillHub 技能社区插件板块的模型推理分类里是高星热门（近 4000 星）。它的思路很直接——你把图片直接粘贴进对话，插件调用外挂视觉引擎把图转成结构化描述，再交回模型作答，纯文本模型就有了「眼睛」。
它能做什么
- 直接粘贴：截图往聊天框里一贴就行，不用先存成文件再传路径，和平时发图一样自然。
- 给证据不给想象：返回的是结构化内容——完整文字转写、按阅读顺序排好的版面区域、实体和关系列表，模型引用具体细节作答，不是凭空脑补。
- 十路视觉来源：六个内置引擎可选——免费 Gemini API、任意 OpenAI 兼容接口、Anthropic 接口、免密钥的 Antigravity CLI、已登录的 Claude Code 和 Kimi CLI；另外还能复用机器上已有的四个智能体 CLI 登录态。
- 故障转移链：不绑定单一服务，快的 API 引擎先上、CLI 兜底，每次尝试都有记录，切换从不静默。
- 多密钥轮换：API Key 支持逗号分隔写多个，遇到认证失败、限流或配额用尽自动换下一个。
- 轻侵入：不装钩子、不包一层、不起本地代理，不改宿主任何一行配置；卸载就是删一个目录，立刻回到原样。
- 一套多处用：不止 DeepSeek Harness，在 Claude Code、Codex、OpenCode、Pi 等环境里也能以技能形式安装同一套能力。
怎么获取
三个官方渠道：GitHub 上 liustack 的 modlens 官方仓库；npm 官方源 @liustack/modlens 包；SkillHub 技能社区插件板块。在 DeepSeek Harness 里一条命令安装：npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens；其他环境可通过 skills.sh 技能目录安装，装完重启让 AI 跑一次健康检查即可。具体命令以官方安装文档为准。
上手怎么用
- 零配置起步：装好后先跑健康检查，机器上已有任一多模态模型登录态就能直接复用；全是空的就去申请一个免费 Gemini API Key，单次读图 5 到 10 秒。
- 挑视觉条目贴图：模型选择器里选带 (modlens vision) 标记的条目再贴图，缩略图会保留在消息里，体验接近原生。
- 接国产视觉模型：任意 OpenAI 兼容接口都能接——通义千问视觉版、GLM 开放平台、自建的 vLLM 或 Ollama 都行，三个配置项就搞定。
- 粘一次多问：同一张图后续追问不需要重新粘贴，追问成本很低。
- 拿硬图测试极限：官方演示里有读 128 个模型对比散点图的案例——坐标轴、对数刻度、高亮区域全部读出，可以拿类似密度的图表试试自家模型。
适合谁用
用 DeepSeek、GLM 等纯文本模型又需要看图的开发者；经常拿截图排障的运维和 IT 支持人员；想给智能体补上视觉能力的自动化玩家。对做远程运维的团队尤其实用：客户发来报错截图，AI 先读图定位故障点，再决定怎么处理，比电话里「你看看报错写的啥」高效得多。