liustack/modlens

解決的問題

ModLens 讓僅支援文字的 AI 模型（例如 DeepSeek 和 GLM）能夠「看見」並處理圖片。它消除了使用者手動將圖片儲存為檔案並提供路徑的需要，使用者只需將圖片直接貼到聊天介面即可。

工作原理

它作為一個視覺外掛程式或「橋樑」，攔截貼上的圖片並傳送至獨立的視覺引擎進行處理。該引擎將圖片轉換為結構化證據——包含完整文字轉錄、版面區域與實體清單——然後將這些資訊回傳給僅支援文字的模型。它支援多種視覺提供者，包括 Gemini、OpenAI 相容端點、Anthropic，以及現有的本地代理 CLI（如 Claude Code 或 Codex），並能自動在它們之間進行故障轉移，以確保回傳結果。

適用對象

使用僅支援文字的 LLM 工具（如 DeepSeek Harness、Claude Code、Codex、Pi 和 OpenCode）的開發者與使用者，希望在不切換模型或手動管理圖片檔案的情況下獲得多模態能力。

主要亮點

• 原生整合：首個為 DeepSeek Harness (dsh) 設計的視覺外掛程式，支援透過 modlens_read_image 工具讀取圖片。
• 零設定設定：可重複使用機器上其他 AI CLI 的現有登入資訊，或使用免費選項如 Gemini API 或 Antigravity CLI。
• 結構化輸出：提供基於證據的描述（文字轉錄與版面），而非想像性摘要。
• 彈性引擎池：支援六個內建提供者與四個可重複使用的本地 CLI，並具備自動故障轉移鏈。
• 輕量級：安裝為單一資料夾或外掛程式，無需本地代理守護程序或修改 harness 設定。