dsh-tool-describe-image
zhu1090093659
给纯文本模型补视觉:describe_image 把本地路径/URL/附件图片交给可配置的 OpenAI 兼容视觉端点,进会话的只有返回文本。
没有一行式安装命令——这个插件在一个大仓库的子目录里,也没发 npm 包。
liustack/modlens
为纯文本模型架起视觉桥梁:粘贴图片,输出结构化 JSON 证据(OCR、版面、语义)。
安装
npm 方式
直接拉已发布的 tarball,不用克隆整个仓库,也不需要额外配置。如果你用的是别的 profile,把 `web` 换成对应的名字。
GitHub 方式 · npm 包
从 GitHub 装会执行项目自己的构建脚本,而 pnpm 默认拦着不让跑——先跑一次这条命令,pnpm 会打印出要加到 ~/.dsh/profiles/web/pnpm-workspace.yaml 里 `allowBuilds` 下面的那个 key。
桌面版有自己的 profile,叫 desktop,只认它自带的 dsh 命令——npm 装的 dsh 会直接拒掉这个 profile。先在应用菜单里点 Manage dsh Command… 装上这个命令,打开一次桌面版再彻底退出,跑下面这条,然后重新打开桌面版。
npm 方式
直接拉已发布的 tarball,不用克隆整个仓库。
GitHub 方式 · npm 包
从 GitHub 装会执行项目自己的构建脚本,而 pnpm 默认拦着不让跑——先跑一次这条命令,pnpm 会打印出要加到 ~/.dsh/profiles/desktop/pnpm-workspace.yaml 里 `allowBuilds` 下面的那个 key。
我们的实装是在 npm 版 dsh 的 web profile 里跑的,没在桌面版上跑过。
我们跑过之后
我们跑过,装得上
这里每条命令都在一次性容器里、对着干净 profile 真跑过,结果取自 harness 自己的记录,不是读源码猜的。 最近一次 11 天前,DeepSeek Harness 0.2.2-rc.1.
挂进你的 README
给维护者的:badge 取这条 listing 最近一次 sandbox 实测的结果,重跑之后它自己会变,读者点开就是这页的完整记录。
安装前须知
安全
我们这次实装里没有构建脚本被拦。
来源:我们在沙箱里的实装,DeepSeek Harness 0.2.2-rc.1,11 天前。
package.json 里没有 preinstall / install / postinstall 脚本。
来源:最近一次同步时读到的 GitHub 上的 package.json。prepare 没有记录——它只在从 GitHub 装时执行,被 pnpm 拦下时会出现在「构建脚本」那一行。
shell 命令(bash、exec、spawn 之类)
来源:对 README 做的关键词匹配,只提示它可能碰到什么,不是代码分析。
这不是安全审计。上面是一次实装记录加两次文本扫描,没有人替你读过这个插件的代码。插件带着你 agent 的权限在跑。
是什么 — 给 DeepSeek Harness 里的纯文本模型处理直接粘贴的图片,产出带 OCR、阅读顺序版面和实体关系的结构化 JSON。
谁该装 — 用 DeepSeek-V4-Flash、DeepSeek-V4-Pro、GLM-5.3 或 MiMo Pro 在 DeepSeek Harness 里核对界面截图、扫描件时,模型看不见图,缺转写和版面证据。日常已经开在 GLM-5.3-Flash 这类被确认带原生视觉的路由上的人不必装,插件会跳过它们,粘贴仍走原来的多模态通道。
注意 — 实测在全新 profile 里能装上并被注册进 profile。读图走本机已有的 Claude Code、Codex、OpenCode、Pi 登录,或 Antigravity CLI、Gemini、OpenAI 兼容密钥;免费 Gemini 一次约 5–10 秒,逗号分隔密钥会在鉴权、限流或配额失败时轮换。它会执行 shell 命令;屏幕截取热键不在本包,要另找 dsh-screenshot。
锐评 — 装。不写 hook、不改 DeepSeek Harness 配置、不跑本地代理,卸了只删一个文件夹,这个可逆性够我放进常用 profile。
grok-4.6 写的,只当参考,不当结论。里面说装得上或装不上,是在干净 profile 里真跑过的;其余都是读仓库读出来的。以实际运行为准。

modlens 是一个 DeepSeek Harness 插件,为无法直接处理图片的 DeepSeek 和 GLM 纯文本模型提供视觉读取通道。它接收聊天中粘贴的图片或图片路径,通过 modlens_read_image 生成结构化 JSON 证据,包括 OCR、按阅读顺序排列的版面区域、实体和关系。普通粘贴流程中,宿主会把图片放入私有临时文件,并将路径交给 composer;选择 (modlens vision) 模型后,缩略图仍保留在消息里,插件会在请求时把图片转换为证据。它会发现元数据明确标记为纯文本模型的 provider route,并为其创建包装后的 (modlens vision) 条目;原生支持视觉的模型则继续使用自身的粘贴处理。
它适合需要读取截图、文档或其他图片,但当前模型只有文本能力的 agent,前提是至少有一个可用的视觉引擎。README 说明它可以使用 Gemini API、OpenAI-compatible endpoint、Anthropic API,或复用 Claude Code、Codex、OpenCode、Pi 中已有的登录。终端访问需要审查:配置和运行过程中可能检查本地 harness CLI,并调用获准使用的登录路线;粘贴图片也会经过本地临时文件。如果模型本身已经支持视觉、图片不能发送到外部引擎,或没有可用的 API 与本地 CLI,就不应使用它。
modlens_read_image 是提供给纯文本模型的原生工具。粘贴图片时,宿主可以把私有临时文件路径放入 composer;选择 (modlens vision) 条目时,缩略图会保留在消息中,并在请求时转换为证据。聊天中也可以直接提供图片路径。输出用于让模型依据图片内容回答,并包含 OCR、版面区域、实体和关系等结构化信息。
插件只接管元数据明确确认是纯文本 DeepSeek 或 GLM 模型的 provider route,并为每条路线添加包装后的 (modlens vision) 条目。已确认的视觉模型会自动排除,未确认的模型保持不变。README 给出的标准条目包括 DeepSeek-V4-Flash (modlens vision) 和 DeepSeek-V4-Pro (modlens vision);opencode-go、zai 等额外路线也可以获得自己的条目。
README 记录了六个内置 provider 和四个可复用的本地 agent CLI。已列出的 provider 包括需要 Gemini API key 的 gemini-api,需要 key、baseUrl、model 的 openai,以及需要 Anthropic API key 的 anthropic。antigravity-cli 在登录后可作为无 key 通道。复用 Claude Code、Codex、OpenCode 或 Pi 的登录前会询问许可;读取结果会标明消耗了哪一方的 quota。
配置会检查本地可用凭据,并在复用前征求许可。README 给出的登录命令是 agy。因此需要同时审查本地 CLI、凭据和发送给所选 provider 的图片数据。
根据项目自己的文档整理,会跟着上游更新。两边对不上时以源码仓库为准—— 去 GitHub 看原始 README
同一分类
zhu1090093659
给纯文本模型补视觉:describe_image 把本地路径/URL/附件图片交给可配置的 OpenAI 兼容视觉端点,进会话的只有返回文本。
没有一行式安装命令——这个插件在一个大仓库的子目录里,也没发 npm 包。
onehumanbeing
Let an AI model use a real iPhone with a $7 ESP32: AirPlay eyes, USB HID hands, any OpenAI-compatible vision model. No Mac, no developer account, no jailbreak.
我们跑过,装得上
Anionex
为纯文本模型"看图“设计更好的视觉工具箱和技能,支持多图理解,图片问答,前端UI还原、GUI 自动化等,并可选无缝接入多个主流agent,直接识别粘贴图片| A vision toolkit and skill designed for text-only llms — image Q&A, long-screenshot OCR, frontend UI restoration, and GUI automation, with optional seamless integration for Codex, Claude Code, Pi, Oh My Pi, and OpenCode
我们跑过,装得上
ysr666
为纯文本 Agent 提供视觉能力:内置免 Key 视觉链 + 像素级视觉工具(看图问答、定位、裁剪、像素对比、取色、OCR、矢量化、抠图、截图);粘贴图片即可用。
我们跑过,装得上
Anionex
让纯文本模型处理视觉任务:粘贴图片后自动切换到 Vision Toolkit 变体,支持图片问答、多图比较、长截图 OCR、截图还原前端 UI、元素定位与像素对比。默认无需 API Key——图片经作者自建的免费服务处理,每台机器每天 100 张;也可改为指向自己的服务商。
DeepSeek Harness 0.2.2-rc.1 拒装最新版
omdsh-dev
Chrome sidebar extension that lets DeepSeek Harness operate your browser directly, no vision capabilities required. 一款 Chrome 侧边栏扩展程序,可让 DeepSeek Harness 直接操控您的浏览器,无需视觉能力。
我们跑过,装得上