Repolode
Enviar
liustack

liustack/modlens

Un plugin de visión para DeepSeek Harness que permite a modelos solo de texto, como DeepSeek y GLM, leer imágenes pegadas y devolver JSON estructurado (OCR, diseño y semántica).

Ver en GitHubSitio web
Estrellas
4,398
Forks
133
Issues abiertos
6
Último commit
hace 7 días

¿Qué es?

ModLens permite que los modelos de lenguaje solo de texto lean imágenes. Muchos modelos de chat de DeepSeek y GLM no pueden recibir imágenes directamente, así que ModLens actúa como intermediario entre el chat y un motor de visión: cuando se pega una imagen, se envía a un proveedor de visión y el resultado vuelve como evidencia estructurada que incluye una transcripción completa, regiones de diseño ordenadas según la lectura y listas de entidades y relaciones.

Funciona como plugin para DeepSeek Harness (dsh) y como skill de agente instalable para Claude Code, Codex, OpenCode y Pi. Las imágenes pegadas se procesan mediante una ruta a un archivo temporal privado o mediante una entrada de selector de modelos que envuelve la misma ruta. Los motores de visión incluyen una clave gratuita de Gemini API, cualquier endpoint compatible con OpenAI, una clave de Anthropic y CLI de agentes locales que permiten reutilizar las sesiones iniciadas, con el consentimiento explícito de cada harness. Se pueden separar varias claves con comas y rotarlas cuando se produzcan errores de autenticación, límites de frecuencia o cuota.

El proyecto está escrito en TypeScript y cuenta con licencia MIT. Se instala con npm como @liustack/modlens y se configura mediante una CLI que incluye una comprobación de estado doctor.

Funciones clave

  • 01Lee las imágenes pegadas en el chat y devuelve JSON estructurado con OCR, diseño y semántica.
  • 02Funciona con modelos de DeepSeek y GLM solo de texto en DeepSeek Harness, Claude Code, Codex, OpenCode y Pi.
  • 03Admite una clave gratuita de Gemini, cualquier endpoint de visión compatible con OpenAI, Anthropic y CLI de agentes locales reutilizables.
  • 04Cambia a otros motores configurados cuando uno falla y registra cada intento en meta.attempts.
  • 05Rota las claves API separadas por comas cuando se producen errores de autenticación, límites de frecuencia o cuota.
  • 06Incluye una CLI con comandos de configuración y una comprobación de estado doctor.

Casos de uso

  • Permitir que una sesión de chat de DeepSeek o GLM analice capturas de pantalla, diapositivas o tuits pegados en ella.
  • Extraer texto y diseño de gráficos o documentos densos dentro del flujo de trabajo de un agente de programación.
  • Usar un modelo de visión que exponga una API compatible con OpenAI como lector de imágenes para un agente solo de texto.
  • Reutilizar una sesión iniciada de Claude Code, Codex o Pi para leer imágenes sin añadir nuevas claves API.

Temas

#vision#ocr#multimodal#deepseek#agent-skills#image-to-text#llm-tools#claude-code#claude-skills#codex

Preguntas frecuentes

¿Qué es modlens?
Un plugin de visión para DeepSeek Harness que permite a modelos solo de texto, como DeepSeek y GLM, leer imágenes pegadas y devolver JSON estructurado (OCR, diseño y semántica). ModLens permite que los modelos de lenguaje solo de texto lean imágenes. Muchos modelos de chat de DeepSeek y GLM no pueden recibir imágenes directamente, así que ModLens actúa como intermediario entre el chat y un motor de visión: cuando se pega una imagen, se envía a un proveedor de visión y el resultado vuelve como evidencia estructurada que incluye una transcripción completa, regiones de diseño ordenadas según la lectura y listas de entidades y relaciones.
¿modlens es gratuito? ¿Qué licencia tiene?
modlens es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿modlens sigue mantenido?
Mantenimiento activo. El último commit de modlens fue el 15 oct 2026.
¿Para qué puedo usar modlens?
Permitir que una sesión de chat de DeepSeek o GLM analice capturas de pantalla, diapositivas o tuits pegados en ella. Extraer texto y diseño de gráficos o documentos densos dentro del flujo de trabajo de un agente de programación. Usar un modelo de visión que exponga una API compatible con OpenAI como lector de imágenes para un agente solo de texto. Reutilizar una sesión iniciada de Claude Code, Codex o Pi para leer imágenes sin añadir nuevas claves API.
¿Dónde consigo modlens?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/liustack/modlens

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados