ModLens — 纯文本模型的视觉外挂
为 DeepSeek、GLM 等纯文本编码模型外挂视觉能力：粘贴图片，即得结构化 JSON 证据（OCR、版面、语义）。
证据显示最小权限设计良好：allowed-tools 仅 Bash，配置文件 0600，密钥支持隐藏输入避免进入 shell 历史和对话，复用其他 harness 登录需逐项明确同意（onboard.md 的 consent 规则），kimi-cli 不自动加入故障转移链以保护订阅额度，每次复用在 meta.warnings 中标注花的是谁的额度，图片内容被明确声明为不可信输入。扣分点：recover-paste 读取本地会话存储（~/.claude/projects 等）属敏感数据访问，虽有作用域和 0600 保护但实际行为未经执行验证；gemini 免费档数据可能被 Google 使用仅一句提醒；外部网络服务数据流披露依赖 docs/security.md（本次未在源文件中完整见到）。
SKILL.md 对错误路径处理非常细致：exit 78 结构化诊断、guard 退出码语义明确、schema 失败重试策略、超时处理、'never fabricate image content' 原则，launcher 脚本逻辑自洽（版本解析、node 22.19 下限检查、POSIX sh 实现）。扣分点：静态审查无法执行任何路径，核心 CLI 的实际行为（@liustack/[email protected]）不可复现；测试套件存在（vitest、stamp.test.mjs）且 CI 覆盖三平台，但本次证据中未包含针对 skill 关键路径的具体测试内容；依赖外部网络服务和第三方 CLI 登录态，故障模式部分依赖未验证的观察。
受众和场景非常清晰：纯文本模型（DeepSeek、GLM）需要读图；触发条件精确定义（图片扩展名路径、[Image #1] 占位符、guard 判定），明确排除自有视觉模型和 web search；guard 机制防止在视觉模型上误触发；提供中文文档（configure.zh-CN.md）。扣分点：核心功能依赖海外服务（Gemini API、Anthropic、Google Antigravity），对中国大陆网络需依赖代理配置，虽有 proxy 字段支持但默认路由可达性存疑，文档未专门说明大陆直连方案；大量引用尚不存在的模型/版本号（DeepSeek-V4、GLM-5.3、2026年8月），未来兼容性声明无法核实。
信息架构优秀：SKILL.md 精简、references 按需分层（runtime/onboard/configure/find-image）、双语文档、MIT 许可明确、版本钉死 3.26.1 并有 stamp 测试防止漂移、CHANGELOG 与 release 流程绑定、发布走 OIDC trusted publishing、单一维护者明确的更新模式（不接受 PR，通过 issue 反馈）。扣分点：发布者为个人、未经验证，长期维护责任无机构背书；'不接受 PR' 限制社区维护路径；文档中未见的部分（docs/security.md、CHANGELOG.md 实际内容）无法在本证据中核实。
核心任务（图片转结构化 JSON 证据）设计完整：OCR/版面/语义输出契约明确、多 provider 容错、uniqueness 在于零配置复用本地登录态和 paste 恢复。README 附带多张演示截图声称实际可用。扣分点：静态审查无法验证输出直接可用性；演示图为作者自述证据；夸大营销语言（'全网最强'、'🥇 最强视觉插件'）与效果验证无直接关联；实际效果高度依赖所配置的视觉模型质量。
可核查的一手材料较多：完整的 launcher 脚本源码、分层文档、钉死版本、CI 工作流（三平台测试矩阵 + 发布护栏）、npm provenance 发布。扣分点：静态审查无法执行复现；效果声明（demo 截图）无法独立核实；对未来模型（DeepSeek-V4、GLM-5.3 等）的引用无法交叉验证；未看到 CI 实际运行结果或具体测试覆盖 skill 关键路径的证据。
- 本评分为纯静态源码审查，未执行任何命令，所有运行时行为（CLI 实际输出、guard 判定、paste 恢复）均未验证。
- recover-paste 会读取本机 Claude Code / Pi / OpenCode 的会话存储以提取粘贴图片，使用前请确认接受此本地数据访问；恢复产物应按文档要求删除。
- 核心视觉能力依赖海外服务（Gemini、Anthropic、Antigravity），中国大陆网络通常需配置代理；建议先配置 proxy 再启用 gemini-api 等路线。
- Gemini 免费档数据可能被 Google 用于改进产品，处理敏感图片时请优先选择自持密钥的 OpenAI 兼容端点或其他路线。
- 文档大量引用尚未发布或无法核实的模型版本（DeepSeek-V4、GLM-5.3 等），相关兼容性声明请以实际运行结果为准。
- 发布者为未经验证的个人维护者且不接受 PR，长期维护与安全响应依赖单一作者，建议锁定钉死版本 3.26.1 并关注其 SECURITY.md 的漏洞报告渠道。
这个 Skill 能做什么，适合哪些场景？
ModLens 是一个 Agent Skill，把图片转换为结构化 JSON 证据，让没有视觉能力的文本模型能够读图。它通过 modlens CLI 完成：整图文字转录、按阅读顺序划分版面区域、抽取实体与语义关系，并如实标注不确定内容。内置六个视觉引擎（Gemini、任意 OpenAI 兼容端点、Anthropic、Antigravity CLI、claude-cli、kimi-cli），并可复用本机 Codex、OpenCode、Pi、Grok 等已登录的视觉能力，形成一条自动故障切换链。它对 DeepSeek Harness 以单个插件形式安装，对 Claude Code、Codex、Pi、OpenCode 则以单个 skill 文件夹形式安装，无 hooks、无代理、不改任何配置。作者为单人维护，不接受 PR。
当会话中出现 .png/.jpg/.jpeg/.webp/.gif/.heic/.heif 的路径或 URL、或 [Image #1] 之类粘贴占位符而模型本身看不到图片时，该 skill 强制触发（先跑 modlens guard 判定模型是否真无视觉），然后调用 modlens CLI 把图片送给配置好的视觉引擎，返回含 result.summary、result.ocr.full_text、result.layout.regions、result.semantics 的 JSON；meta.attempts 与 meta.warnings 记录每次尝试的引擎与配额去向。支持 -p 固定引擎、--timeout、-o 输出文件、--prompt 聚焦提示，并自带 modlens doctor 健康检查与 modlens config 配置管理。运行时优先用 PATH 上的 modlens（需 ≥3.26.1），否则退到 npx/bunx 拉取固定版本。
- 用 DeepSeek 纯文本旗舰模型写代码的开发者，想把截图、设计稿或报错弹窗直接粘进聊天，让模型读图后继续干活。
- 已在 Claude Code、Codex、Pi 或 OpenCode 有付费订阅、想零新增费用复用现有视觉额度的用户。
- 不想注册任何账号的用户，可装免费的 Antigravity CLI 作为无密钥视觉通道。
- 持有 OpenAI 兼容端点（通义 qwen-vl、GLM 开放平台、SiliconFlow、自托管 vLLM/Ollama 等）的团队，想接进统一的视觉管线。
- 需要批量读密集图表（如散点图、数据可视化截图）并要求模型引用具体数字而非臆造的用户。
这个 Skill 有哪些优点和局限？
- 对系统改动极小：skill harness 上就是一个文件夹，dsh 上就是一个插件，卸载即删，无 hooks、无本地代理、不改任何 harness 配置。
- 零配置起步：可复用 Claude Code、Codex、OpenCode、Pi 的现有登录，免费 Gemini key 即可把单次读图压到 5-10 秒。
- 证据而非想象：输出全文转录、阅读顺序版面与实体关系，并显式标注不确定项；从不伪造图片内容。
- 十路视觉来源与自动故障切换，meta.attempts 让每次回退都有据可查；被复用的配额会在 meta.warnings 中标明。
- 需要网络和外部视觉服务：没有可用引擎（无密钥、无 CLI 登录）时完全无法工作。
- Antigravity CLI 与 agent CLI 通道单次读图需 15-45 秒，明显慢于 API 通道。
- 不支持 claude-cli 之外的零注册方案都要装额外工具；复用其他 harness 的登录需要逐个显式授权。
- README 的能力声明（如读取截图的细节程度）来自作者自述演示，无独立测试套件或第三方评测佐证；作者不接受 PR，单人维护。
- 核心定位是纯文本模型的外挂；如果模型本身有原生视觉（如 GLM-5.3-Flash），guard 会拒绝使用本 skill。
如何安装这个 Skill？
其他 harness：用 skills.sh 安装，npx -y skills add liustack/modlens --skill modlens --global，重启后让 AI 按仓库的 INSTALL.md 配置并跑健康检查；或直接把安装指令发给你的 AI。DeepSeek Harness：npx -y @deepseek-ai/dsh plugin --profile web add @liustack/[email protected]。若健康检查为空，推荐申请免费 Gemini API key（Google AI Studio，约三分钟），或装 Antigravity CLI（curl -fsSL https://antigravity.google/cli/install.sh | bash 后运行 agy 登录）实现零注册。
如何使用这个 Skill？
装好后直接聊天：粘贴图片或丢入路径并提问，skill 会自动触发；也可以显式让 AI『用 modlens 读这张图』或『帮我安装/切换 modlens 的视觉引擎』。skill 内部流程是：先跑 modlens guard --model <模型ID> 确认模型无原生视觉，再 modlens -i <路径或URL> 读图，最后从 JSON 的 summary/ocr/layout/semantics 字段引用具体内容作答。粘贴过一次后，同一图片的后续提问无需再粘贴。