liustack/modlens

解决的问题

ModLens 使仅支持文本的 AI 模型（如 DeepSeek 和 GLM）能够「看见」并处理图像。它消除了用户手动将图像保存为文件并提供路径的需要，用户只需将图像直接粘贴到聊天界面即可。

工作原理

它作为一个视觉插件或「桥梁」，拦截粘贴的图像并将其发送到独立的视觉引擎进行处理。该引擎将图像转换为结构化证据——包括完整文本转录、布局区域和实体列表——然后将这些信息反馈给仅支持文本的模型。它支持多种视觉提供者，包括 Gemini、OpenAI 兼容端点、Anthropic，以及现有的本地代理 CLI（如 Claude Code 或 Codex），并能自动在它们之间进行故障转移，以确保返回结果。

适用人群

使用仅支持文本的 LLM 工具（如 DeepSeek Harness、Claude Code、Codex、Pi 和 OpenCode）的开发者和用户，希望在不切换模型或手动管理图像文件的情况下获得多模态能力。

主要亮点

• 原生集成：首个为 DeepSeek Harness (dsh) 设计的视觉插件，支持通过 modlens_read_image 工具读取图像。
• 零配置设置：可复用机器上其他 AI CLI 的现有登录信息，或使用免费选项如 Gemini API 或 Antigravity CLI。
• 结构化输出：提供基于证据的描述（文本转录和布局），而非想象性摘要。
• 灵活的引擎池：支持六个内置提供者和四个可复用的本地 CLI，并具备自动故障转移链。
• 轻量级：安装为单个文件夹或插件，无需本地代理守护进程或修改 harness 配置。