dsh-vision-toolkit
Anionex
让纯文本模型更好地做视觉任务：带意图的图片问答、长截图 OCR、UI 还原等。
npm 包TypeScript今天
modlens
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
把 modlens 装进 DeepSeek Harness
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。
安装前须知
装 modlens 之前，先看这几条
- 源码在这里： liustack/modlens——已进入社区精选库，DSH 自带的插件市场就是从这儿装的。
- 开源协议：MIT。
- 自动识别到：终端执行。授权之前请先读一遍源码。
- 被收录在这里不代表通过了安全审计。插件是带着你 agent 的权限在跑。
modlens 是做什么的
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 的文档
行为说明
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。
模型路由
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。
视觉引擎
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。
终端访问
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
modlens 的同类插件
508
dsh-vision-router
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。
npm 包JavaScript今天
1详情
dsh-vision
linenxi-ctrl
外挂识图插件：鲸鱼按钮配置面板、图片识图自动回传、模型自主截图识图工具。
npm 包JavaScript昨天
1源码
dsh-vision-proxy
Flyvhidbwo
DeepSeek 大脑 + 自动识图：GUI 附加的每张图片自动经 OpenAI 兼容 VLM 转译成文字，再交给纯文本的 DeepSeek 作答——有 key 自动走快速通道（默认 qwen3.7-flash，支持百炼/智谱/OpenRouter 等任意 OpenAI 兼容端点），无 key 自动探测本地 Ollama（零配置，图片不出本机）。
npm 包JavaScript今天
1源码
dsh-visual-plugin
jyh20030112
给纯文本模型装上眼睛：把用户图片转发给任意 OpenAI 兼容的视觉模型生成描述，并在 Web UI 右侧面板展示结果。
npm 包TypeScript今天
Gemini-Eyes
ConsoleSun
接入 gemini.google.com 的 MCP 桥：图片/视频视觉识别、Imagen 生图、Veo 生视频与历史对话管理，复用浏览器登录态，无需 API Key。
GitHub 源码Python2 天前
1源码