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 ★ 3090

维护状态活跃

是否开源是

定价模式 unknown

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

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★ 3090

30天Star增速

HF 下载量

上线时间2026-02-22 00:00:00

最近更新2026-08-18 00:00:00

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1

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 是一个计算机视觉领域的开源项目，官方简介：The first vision plugin for DeepSeek Harness, and the vision bridge for every text-only coding agent. Paste an image, get structured JSON evidence (OCR, layout, semantics). | 全网最强 DeepSeek Harness 外挂视觉插件，为 DeepSeek、GLM 等纯文本模型外挂视觉能力，粘贴图片即得结构化 JSON 证据（OCR、版面、语义）。。项目使用 TypeScript 开发，在 GitHub 上获得 3090 星标。

上一篇：DEIMv2

下一篇：没有了！