企业官网建设流程全解析

ModLens 生态全景与路线图：从图片视觉桥到 ModSearch 搜索桥，独立开发者如何打造插件矩阵

【免费下载链接】modlensThe 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）。项目地址: https://gitcode.com/gh_mirrors/mo/modlens

ModLens 是面向 DeepSeek Harness（dsh）的首个视觉插件，也是 DeepSeek、GLM 等纯文本编码 Agent 的"视觉桥"：粘贴一张图片，即可得到结构化 JSON 证据（OCR 全文、版面区域、语义实体），让读不了图的模型也能"看见"。本文完整梳理 ModLens 生态：视觉桥如何工作、一键安装与实测效果、姊妹项目 ModSearch 搜索桥，以及独立开发者如何以"单一职责"理念打造插件矩阵。

🧩 一张图看懂：ModLens 视觉桥的工作流程

DeepSeek 的旗舰聊天模型和 GLM-5.3 本身都是纯文本模型，无法读取图片。ModLens 的思路很克制：不改模型、不改宿主，只在图片进入对话时做一次"翻译"——把它交给视觉引擎读一遍，再把结果以结构化证据的形式还给文本模型。

整个流程三步：

1. 触发：粘贴的图片进入对话（不同宿主下可能是临时文件路径，也可能是从会话记录里捞回来的路径），skill 自动触发，无需任何触发词；
2. 转换：内置视觉引擎之一（Gemini、OpenAI 兼容、Anthropic、Antigravity CLI、Claude CLI、Kimi CLI）读取图片；
3. 回传：输出不是随意一段描述，而是 schema 约束的 JSON——OCR 全文、按阅读顺序排列的版面区域、实体与关系列表，模型回答时会引用其中的具体细节，而不是"编"。

这个"证据，而非想象"的契约定义在 src/schema.ts，完整输出字段规范见 docs/output-schema.zh-CN.md，触发逻辑与工作流写在 skills/modlens/SKILL.md。

🚀 一键安装：视觉插件的 3 种上手方式

方式一：dsh 用户一条命令。这是最轻的装法，整个插件就是一个 dsh 包：

npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@3.26.5

安装后注册了modlens_read_image原生工具，并为纯文本模型自动生成(modlens vision)变体入口（原生视觉模型如 GLM-5.3-Flash 会自动排除，绝不覆盖其原生看图能力）。

方式二：其他宿主用 skill 安装。Claude Code、Codex、Pi、OpenCode 等宿主通过 skill 接入：

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

方式三：把安装交给你的 AI。把 INSTALL.md 交给正在对话的 Agent，它会自动探测本机已有环境、配置引擎并跑健康检查。

值得强调的是零配置起步：ModLens 会复用你机器上已登录的 Claude Code、Codex 等 CLI；什么都没有的话，免费的 Antigravity CLI 无需任何 key，申请一个免费的 Gemini key（约 3 分钟、无需信用卡）则能把每次读取压到 5-10 秒。

对于不用终端的 dsh Web 用户，设置页的 Plugins 入口里有专门的 ModLens 配置卡片：切换视觉引擎、填 key 与端点、勾选哪些本地登录可以被复用，保存即生效——连配置文件都不用打开。

📊 实测：密集图表、批量图片与"粘贴恢复"

官方展示的几组真实运行（全部驱动纯文本 DeepSeek-V4-Flash，未经剪辑）能很好地说明"视觉桥"的成色：

128 个 AI 模型的散点图对比——双轴、对数刻度、按提供方着色、虚线标记的重点区域，全部被逐字读出。密集图表正是视觉桥最容易翻车的场景：

一条推文截图：作者、文案、照片细节（两人各穿什么衣服）、时间戳，以及 5.4M 浏览、1.6K 回复、11.6 万点赞等每一个互动数字都不缺：

还有一条容易被忽略的路径——粘贴恢复（recover-paste）。在 Claude Code、Pi、OpenCode 里，粘贴的图片字节会先落到本地会话存储（JSONL 或 SQLite），而不是普通临时文件。ModLens 会自动探测自己运行在哪个宿主里，把图片字节"捞回来"再读取：

各宿主的存储位置与恢复细节见 docs/harness-setup.zh-CN.md。

🔍 ModSearch 搜索桥：补上模型的"第二感官"

需要看图的模型，通常也需要联网。ModSearch 是 ModLens 的姊妹项目，同一套工艺用在另一个缺失的感官上：给没有网络访问能力的模型提供Web 搜索、X 搜索和单页抓取——免费、免注册、无需 API key：

npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modsearch@latest

围绕 DeepSeek Harness，目前已经能看出一个清晰的"感官分工"插件矩阵：

每个插件只做一件事，边界互相咬合——这正是矩阵的雏形。

🛠️ 独立开发者能复用的 4 个做法

ModLens 由单一作者维护、不接受 PR（issue 驱动路线图，MIT 协议随便 fork），它的路径对小团队和个人开发者很有参考价值：

1. 把边界写进仓库，而不是写在口头上。AGENTS.md 与 CONTRIBUTING.md 明确列出"永不加入"清单：摄像头、截屏热键、裁剪/像素工具箱、bounding box 与置信分——视觉解析是唯一职责，联网交给 ModSearch，截屏交给 dsh-screenshot。矩阵不是一个大而全的工具，而是几把边界清晰的尖刀。
2. 用可复现的证据说话。evals/ 目录为每次实验留档：命令、版本、输入 SHA-256、原始输出、耗时与评分，任何"它能读密集图表"的说法都可以重跑验证。连提示注入测试图（evals/cases/prompt-injection/）都是脚本生成的，图片内容一律按不可信输入处理（见 docs/security.zh-CN.md）。
3. 信任本身就是功能。复用本地 CLI 的登录读图时，每次都会在结果里标注"花了谁的配额"；API key 可以不进 argv 和聊天；所有错误输出先做脱敏。对个人项目来说，"不坑用户的钱包"是最便宜的口碑。
4. 保持最轻的接触面。没有 hook、没有守护进程、不改任何宿主配置：skill 宿主里就是一个文件夹，dsh 里就是一个插件，卸载 = 删文件夹，Agent 立刻回到出厂状态。

🗺️ 路线图信号与参与方式

CHANGELOG.md 是这份路线图最诚实的载体：从 dsh 各版本兼容（0.1.0 → 0.1.7）、第三方文本模型的(modlens vision)变体（families: ['*']可自选）、按 provider 的代理路由，到多 API key 轮换与配额冷却、Windows 全链路支持——几乎每个版本都由一个真实用户 issue 推动，节奏是数天一版。

想参与也简单：开 issue（bug、建议、读不懂的报错）就是最直接的贡献；fork 则是完全属于你的副本——MIT 协议下改名、改造、再发布都不需要许可：

git clone https://gitcode.com/gh_mirrors/mo/modlens

一句话总结：ModLens 用"一个插件补一个感官"的方式，展示了独立开发者如何围绕 DeepSeek Harness 生态，把视觉桥、搜索桥、截屏、市场这些边界清晰的模块拼成插件矩阵——而下一个缺失的感官，也许正等着你来补。

【免费下载链接】modlensThe 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）。项目地址: https://gitcode.com/gh_mirrors/mo/modlens