用 ModLens 视觉插件给纯文本模型装上眼睛

按 README 的说法，DeepSeek 的旗舰聊天模型——以及 GLM-5.3 本身——都是纯文本模型，读不了图片。ModLens 就是为这个问题准备的插件式视觉引擎：粘贴一张图片，它会被路由给一个视觉引擎，模型回答时以图片里真实的内容为依据。

为什么这个 Skill 重要

ModLens 直接读取粘贴进聊天的图片——不用先存成文件再传路径。粘贴有两条路：在纯文本模型上，图片落为一个私密临时文件、路径进入输入框，然后由 modlens_read_image 工具接手；或者在模型选择器里选一个 (modlens vision) 条目，缩略图会留在你的消息里。插件会自动发现承载符合条件的纯文本 DeepSeek、GLM 或 MiMo Pro 模型的路由并逐一包装；GLM-5.3-Flash 这类原生视觉模型会被自动排除，已经有眼睛的模型保留自己的粘贴体验。

安装

在 DeepSeek Harness（dsh）上，一条命令：

npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@3.26.6

其他环境则以用户级安装这个 skill：

npx -y skills add liustack/modlens --skill modlens --global

重启 harness，然后让你的 AI 配置 modlens 并跑一次健康检查——或者把仓库 INSTALL.md 里的安装指令发给它，把全过程交给它完成。如果健康检查结果为空，就配置一个免费引擎：推荐用免费的 Gemini API key（约三分钟，无需信用卡），它还能把每次读取压到 5-10 秒。想完全跳过注册，就装 Antigravity CLI，用 agy 登录。

实战：让纯文本模型读懂粘贴的截图

1. 安装、重启 harness、跑健康检查。
2. 粘贴图片或拖入路径，随便问什么。skill 会自行触发，回答基于读取结果——完整转写、按阅读顺序排版的版面区域、实体和关系列表，模型引用的是具体细节。
3. 继续追问。关于同一张图片的后续问题不需要重新粘贴。

README 的压力测试展示了上限：一张对比 128 个 AI 模型的散点图，两个坐标轴、对数刻度、按提供商着色、以及每个用虚线标出的 DeepSeek 模型都被读了出来。

引擎池是它可靠的原因：6 个内置提供商（gemini-api、openai、anthropic、antigravity-cli、claude-cli、kimi-cli），外加 4 个可复用已有登录的 agent CLI（Codex、OpenCode、Pi、Grok），每一个都要经过你的明确同意。不固定提供商时，所有已配置的引擎组成一条故障转移链——第一个成功的结果胜出，meta.attempts 记录每一次尝试，回退从不悄悄发生。

技巧

• openai 提供商是个通用插座，不只是 OpenAI：任何支持图片输入的 OpenAI 兼容端点都能接入——Dashscope 的 qwen-vl、GLM 开放平台、SiliconFlow、OpenRouter，或自托管的 vLLM/Ollama。
• 逗号分隔的多个 API key 会在认证、限流或配额失败时轮换；网络、5xx 和解析失败会跳过剩余 key 并保持提供商级故障转移。
• -p <name> 固定唯一引擎、不留回退；modlens config set provider <name> 只是表达偏好，链条仍在后面兜底。
• 按 README 的说法，复用 CLI 的读取会在 meta.warnings 里标注花的是谁的配额——没有任何消耗是悄悄发生的。
• 安装刻意做轻：一个 skill 文件夹（dsh 上是一个插件），没有 hook、没有包装器、不改任何 harness 配置——卸载就是删掉它。

何时不用这个 Skill

你的模型已经有原生视觉——ModLens 设计上不碰视觉模型，对它们没有增益。你需要图片生成——它读图，不生成图。另外它的已验证范围是明确的：README 报告在真实机器上于 Claude Code、Codex、Pi 和 OpenCode 中完成验证，外加 DeepSeek Harness 插件路径；其他 harness 属于未验证地带。

查看 排行榜 了解更多 skill。