Awesome AI Pedia

Appearance

ModLens：给纯文本编码 agent 装上眼睛 ​

项目地址：https://github.com/liustack/modlens 包名：@liustack/modlens · MIT 许可 · 约 3.3k stars 作者定位：The vision bridge for every text-only coding agent

一、这是什么 ​

ModLens 是一个视觉插件，专为 DeepSeek Harness (DSH) 及其他纯文本编码 agent 设计。旗舰版 DeepSeek 与 GLM 只支持文本，看不见图。ModLens 让这些模型"获得视觉"——直接在聊天里粘贴图片即可，无需先存文件再传路径。

它的输出不是一段自由描述，而是结构化 JSON 证据（OCR、版面布局、语义实体与关系），让模型基于"证据而非想象"作答。

二、两种使用路径 ​

路径触发方式特点
粘贴直读图片作为临时文件路径进入 composer由 modlens_read_image 工具处理，无缩略图
模型选择器选带 (modlens vision) 后缀的条目缩略图保留在消息里

自动发现路由：为纯文本 DeepSeek/GLM 模型添加带 wrap 的入口，原生视觉模型会自动排除，不会重复。

三、十个视觉源，一条 failover 链 ​

  • 6 个内置 provider：
    • gemini-api
    • openai（兼容 qwen-vl、GLM、SiliconFlow、vLLM/Ollama 等）
    • anthropic
    • antigravity-cli
    • claude-cli
    • kimi-cli
  • 4 个可复用的本地 CLI 登录（需显式 consent，用量归属会写入 meta.warnings）：
    • Codex、OpenCode、Pi、Grok

代理支持：HTTPS_PROXY 环境变量或 modlens config set proxy。

四、安装 ​

DSH 一条命令（版本号写死是为规避 pnpm 11 对 24h 内新包的解析行为）：

sh
npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@3.22.0

Skill 安装：把 INSTALL.md 链接发给 AI，让它自己跑安装 + 健康检查。

零配置起步：

  • 已经登录过 Claude Code / Codex / OpenCode / Pi → 直接复用
  • 都没有 → 推荐免费 Gemini API key（约 3 分钟申请，读一张图 5–10 秒）
  • 或用 Antigravity CLI 免注册使用

五、常用命令 ​

sh
modlens config set provider <name>   # 设偏好 provider
modlens -p <name>                    # 强制单一 provider，无 fallback

六、亮点 ​

  1. 最轻量的接入方式：无 hook、无 wrapper、无本地代理守护、不改任何 harness 配置；卸载就是删文件夹
  2. 跨 agent 通用：已在 Claude Code、Codex、Pi、OpenCode 实测
  3. 结构化输出：JSON 证据而非自由描述
  4. 性能参考：API provider 约 5–10 秒/张，agent CLI 约 15–45 秒/张
  5. 文档齐全：CLI manual、troubleshooting、output schema、security 都有

七、限制与注意 ​

  • 不接受 PR：单一作者维护，参与方式只有 issue 或 fork
  • 配额与条款自负：上游引擎（Gemini、OpenAI、Anthropic、Antigravity 等）的配额和使用条款由用户承担
  • MIT "as-is"，作者不作任何担保或用途背书
  • README 上挂着 "Users unknown"、"Not backed by Y Combinator" 徽章，姿态非常个人独立项目

一句话总结 ​

ModLens 用最小侵入的方式，把"能看见图"这件事补给了 DSH / GLM / Claude Code 等所有纯文本 agent——粘贴即读、结构化输出、十个视觉源 failover。适合：手里已经有各种 CLI 登录、不想为了一张截图切模型的人；以及想让 DeepSeek/GLM 在编码里读设计稿、报错截图、UI 参考图的场景。