modlens

给纯文本编码代理装上眼睛，粘贴图片即刻获得结构化视觉证据。

modlens 是首个为 DeepSeek Harness 打造的视觉插件，旨在为纯文本编码代理（如 DeepSeek、GLM 等）提供视觉理解能力。它解决了文本模型无法直接处理图像的问题，用户只需粘贴图片，modlens 即可通过 OCR、版面分析和语义理解，输出结构化的 JSON 证据，供代理进行后续推理和决策。核心能力包括：高精度 OCR 文本提取、版面结构解析、图像语义理解，以及无缝集成到 agent-skills、claude-code、codex 等主流编码代理框架中。项目基于 TypeScript 开发，采用 harness-engineering 理念，强调插件化、轻量级和易用性，使纯文本模型无需额外训练即可获得视觉认知，显著扩展了其应用场景。

开源 unknown 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 4071

维护状态活跃

是否开源是

定价模式 unknown

项目预览

项目数据

分类计算机视觉

开发团队liustack

所属国家

官网地址https://liustack.dev/tools/modlens

GitHubhttps://github.com/liustack/modlens

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议MIT

主要语言TypeScript

技术栈/模型agent-skills,claude-code,claude-skills,codex,cordis,deepseek,dsh,dsh-plugin,glm,harness,harness-engineering,hermes-agent,image-to-text,multimodal,ocr,openclaw,pi-agent,text-only-llm,vision,vision-transformer

GitHub 星标★ 4071

30天Star增速

HF 下载量

上线时间2026-02-22 00:00:00

代码更新—

仓库体积—

本站数据更新—

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-19

浏览次数22

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

正在加载星标数据…

技术标签

使用教程

—

难度：入门约 10 分钟部署方式：命令行工具 6 步

环境要求

已安装 Node.js（可用 npx 命令）
一个支持 skills 的编码代理环境（如 DeepSeek Harness、Claude Code、Codex 等）
可选：免费的 Gemini API Key，或其他 OpenAI 兼容平台的 Key
可选：Antigravity CLI（不想注册任何账号时使用）

安装与启动步骤

1安装 modlens 技能

用 skills.sh 把 modlens 技能装到用户级别（--global），安装后该技能对所有项目生效，无需手动 clone。
```
npx -y skills add liustack/modlens --skill modlens --global
```
2重启代理

安装完成后必须重启你使用的编码代理（harness），让新技能被加载识别。
3配置并健康检查

重启后让 AI 按官方 INSTALL.md 完成配置并执行健康检查；它会先检测本机已有的登录环境。
4配置免费视觉引擎

仅当健康检查结果为空时需要：推荐去 Google AI Studio 申请免费 Gemini API Key，约三分钟且无需信用卡，配置后每次读图约 5-10 秒。
5或用 Antigravity CLI

不想注册任何账号时，改为安装 Antigravity CLI 并登录一次作为视觉引擎，登录后即可退出。
```
curl -fsSL https://antigravity.google/cli/install.sh | bash
agy
```
6粘贴图片使用

直接在对话中粘贴图片或给出路径并提问，技能会自动触发把图片送往视觉引擎，回答基于实际读到的内容。

关键配置

配置项	必填	说明	示例
`Gemini API Key`	否	推荐的免费视觉引擎凭据，缺失且健康检查为空时才需要配置	`AIzaSyxxxxxxxxxxxxxxxx`
`Settings → Plugins → Plugin config 中的 Mo`	否	DeepSeek Harness 图形界面入口，可在此切换引擎、勾选 auto 模式可复用的本地 CLI	`引擎切换 / 勾选 Codex、OpenCode、Pi`

如何确认成功

向 AI 索要健康检查结果，能看到可用视觉引擎即配置成功；再粘贴一张图片提问，回答确实基于图中内容。

常见问题

Q：健康检查结果为空怎么办？

A：说明没找到可用视觉引擎。配置一个免费的 Gemini API Key（Google AI Studio 获取，无需信用卡），或安装 Antigravity CLI 登录，然后重新跑健康检查。

Q：需要先把图片保存成文件再传路径吗？

A：不需要。ModLens 直接读取粘贴进对话的图片，无需存盘再传路径。

Q：会偷偷用我已有的 Claude Code / Codex 登录吗？

A：不会。它会先询问是否允许复用，逐个 harness 确认；被复用的读取会标明消耗了谁的配额。

Q：同一张图再问一次要重新粘贴吗？

A：不用。粘贴一次后，基于同一张图的后续提问无需重复粘贴。

注意事项

DeepSeek 旗舰对话模型和 GLM-5.3 本身是纯文本，无法直接读图，必须搭配 ModLens 提供的视觉引擎。
除了命令行安装，DeepSeek Harness 还能在 Settings → Plugins → Plugin config 的 ModLens 卡片里图形化配置。
也可以把安装整件事交给 AI：让它按官方 INSTALL.md 安装配置并回报健康检查结果。
未配置任何引擎时无法读图，务必以健康检查结果为准，不要凭安装成功就认为可用。

核心亮点

直接为 DeepSeek/GLM 等纯文本模型补充视觉能力，无需重新训练，集成成本低
输出结构化 JSON（OCR、版面、语义），方便下游代理程序化处理，而非简单文本描述
兼容多种主流代理框架（claude-code、codex 等），插件化设计易于扩展和定制

不足之处

依赖外部视觉模型或 API，可能增加额外调用延迟和成本
文档/社区待观察

适用场景

在编码代理中处理 UI 截图、设计稿，自动提取界面元素和文本
对文档扫描件、PDF 截图进行 OCR 和版面分析，辅助数据录入
为纯文本聊天机器人提供图像理解能力，实现多模态对话

替代项目

LLaVA、CogVLM、Qwen-VL

项目介绍

modlens 是计算机视觉领域的开源项目，由 liustack 开发，是 2026 年新上线的项目。

在全站 13,591 个收录项目中，它的 GitHub 星标数（4,071）位列前 10%，在计算机视觉分类的 485 个项目里位列前 10%。

近 42 天，它的 GitHub 星标从 3,090 增加到 4,071，净增 981。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-27。从国内网络环境看，访问稳定性一般，建议自备网络条件。

它主要面向的使用场景是：在编码代理中处理UI截图、设计稿，自动提取界面元素和文本。同类可对比的替代方案包括 LLaVA、CogVLM、Qwen-VL。

上一篇：DEIMv2

下一篇：OpenCVTutorials