Repolode
提交项目
liustack

liustack/modlens

为 DeepSeek Harness 等纯文本模型外挂视觉能力的插件，粘贴图片即可输出结构化 JSON 证据。

在 GitHub 查看官网
Star
4,398
Fork
133
未关闭 Issue
6
最近提交
7天前

这是什么？

ModLens 让只能处理文本的语言模型具备读图能力。许多 DeepSeek、GLM 等对话模型无法直接接收图片，ModLens 位于对话与视觉引擎之间：粘贴图片后，图片被发送到视觉服务，返回结构化证据，包括完整文字转录、按阅读顺序划分的版面区域，以及实体与关系列表。

它既是 DeepSeek Harness（dsh）的插件，也可作为 Agent Skill 安装到 Claude Code、Codex、OpenCode 和 Pi 中。粘贴的图片会以临时文件路径进入输入框，或通过模型选择器中的包装入口直接处理。可用的视觉引擎包括免费的 Gemini API Key、任意 OpenAI 兼容接口、Anthropic Key，以及可在用户明确授权后复用已登录的本地 Agent CLI。多个 Key 可用逗号分隔，遇到认证、限流或配额错误时自动轮换。

项目采用 MIT 协议，基于 TypeScript 开发，通过 npm 安装 @liustack/modlens，并提供带健康检查（doctor）的命令行配置工具。

核心功能

  • 01粘贴到对话中的图片会被转换为包含 OCR、版面和语义信息的结构化 JSON。
  • 02支持 DeepSeek Harness、Claude Code、Codex、OpenCode 和 Pi 中的纯文本 DeepSeek、GLM 模型。
  • 03可接入免费 Gemini Key、任意 OpenAI 兼容视觉接口、Anthropic，以及可复用的本地 Agent CLI。
  • 04多个视觉引擎组成故障转移链，每次尝试都会记录在 meta.attempts 中。
  • 05逗号分隔的多个 API Key 在认证、限流或配额失败时自动轮换。
  • 06提供带配置命令和 doctor 健康检查的命令行工具。

适用场景

  • 让 DeepSeek 或 GLM 对话直接讨论粘贴进来的截图、幻灯片或推文。
  • 在编程 Agent 工作流中从复杂图表或文档里提取文字与版面信息。
  • 将支持 OpenAI 兼容接口的视觉模型作为纯文本 Agent 的图片读取后端。
  • 在不新增 API Key 的情况下，复用已有的 Claude Code、Codex 或 Pi 登录完成读图。

标签

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

常见问题

modlens 是什么？
为 DeepSeek Harness 等纯文本模型外挂视觉能力的插件，粘贴图片即可输出结构化 JSON 证据。 ModLens 让只能处理文本的语言模型具备读图能力。许多 DeepSeek、GLM 等对话模型无法直接接收图片，ModLens 位于对话与视觉引擎之间：粘贴图片后，图片被发送到视觉服务，返回结构化证据，包括完整文字转录、按阅读顺序划分的版面区域，以及实体与关系列表。
modlens 可以免费使用吗？用的什么许可证？
modlens 以 MIT 许可证开源。用于商业产品前，请先确认许可证条款。
modlens 还在维护吗？
活跃维护中。modlens 最近一次提交是在 2026年10月15日。
modlens 适合用来做什么？
让 DeepSeek 或 GLM 对话直接讨论粘贴进来的截图、幻灯片或推文。 在编程 Agent 工作流中从复杂图表或文档里提取文字与版面信息。 将支持 OpenAI 兼容接口的视觉模型作为纯文本 Agent 的图片读取后端。 在不新增 API Key 的情况下，复用已有的 Claude Code、Codex 或 Pi 登录完成读图。
在哪里获取 modlens？
源代码和安装说明在 GitHub 上：https://github.com/liustack/modlens

概要由 AI 根据项目 README 生成；GitHub 数据每日更新。

相关项目