ARTICLE · 1362683
截图直接丢给 DeepSeek:装个插件,它终于能看图了
你有没有过这种时刻:电脑弹出一坨英文报错,你截了图,然后开始一个字一个字地打「帮我看看这个报错,上面写着 Cannot find module……」,边打边怕打错。
或者老板发来一张表格照片,你想让 AI 帮你加一下第三列,只能自己先把数字念进对话框。
问题不在你的描述能力,在 DeepSeek 的眼睛——它没有。DeepSeek 的主力对话模型是纯文本的,你把图发给它,它收到的只有文字,图被挡在门外。你发得越多,它越尴尬。
今天说的这个插件,就是给纯文本模型外挂一双眼睛。它叫 ModLens,作者 liustack,MIT 开源,最近 30 天在 DSH 插件市场被下载了 30 万次左右,GitHub 约 4900 星。热度不低,但它是不是你该装的那个,得往下看。
一、它到底给了 DeepSeek 什么本事
一句话:装上之后,你可以直接把截图粘进对话框,它读完图再回答你。
比如你粘一张报错截图,问「这啥意思、我改哪」,它会先给 DeepSeek 交一份「读图笔记」——图里有哪些字(全文转录)、按阅读顺序怎么排的版面、出现了哪些东西和它们的关系——DeepSeek 再拿着这份笔记推理。
这个区别挺关键。它不是让 DeepSeek 去「猜图里大概有啥」,而是先读成文字、再基于文字回答。作者的说法叫「基于证据,而非想象」,还特意把两个模型最爱瞎编的字段——像素坐标和置信度分数——从输出里整个删掉了。删掉「看起来很像真的但其实全靠编」的东西,这个取舍我觉得挺诚实。
能干的活大概这些:
报错截图 → 读出报错码和堆栈,告诉你去改哪一行 账单、表格照片 → 把数字念出来,再帮你算 设计稿、网页截图 → 说出布局、按钮位置、文案都长什么样 白板照片 → 转成一条条待办 论文、PPT 里的一页 → 图表的双轴、刻度、高亮区域都能读
二、什么时候它会自己动手
你不用记命令,也不用喊它名字。两种玩法:
第一种,直接粘。 图片落地成一个私有临时文件,路径进输入框,插件注册的 modlens_read_image 工具接手读图。跟你在 OpenCode、Pi 里的手感一样。
第二种,切模型。 模型选择器里会多出 DeepSeek-V4-Flash (modlens vision)、DeepSeek-V4-Pro (modlens vision) 这样的条目。选一次它就记住,之后粘贴,缩略图还留在消息里,体验跟原生能看图的模型差不多。
它不会乱抢活。只有模型元数据明确写着「纯文本」的,它才接管;GLM-5.3-Flash 这种本来就能看图的型号,它自动放过。你要是只打字不发图,它基本不出现。
三、值不值:跟不用它比
不用它,你有两个选择:一是手动把图描述成文字,二是换个能看图的模型。
第一种最要命的地方不是麻烦,是你会漏。人描述图,只会描述自己注意到的东西。图上那行灰色小字、那个角落里的按钮,你不觉得重要就不提,模型也就永远不知道。
用它的省事就在这一步:粘贴、提问、回答,中间「人工翻译图片」这一环没了。
同类工具也得摆出来比一比,不然不公道:
dsh-vision-router:思路几乎一样,但内置一条免 key 的免费视觉通道,装上就能用,对新手友好得多。代价是默认走云端免费链路,图往哪飞你得自己掂量。不少推荐文都把它当成「ModLens 的零门槛替代」。 原生多模态模型:不用装插件,但你得换模型、换价格、换手感。 ModLens 的位置:引擎你自己挑。可以接自己的 key、自己的网关,甚至复用本机已有的 CLI 登录。它适合「我本来就有视觉模型额度,只想让 DeepSeek 用上」的人。
四、坑,这部分请认真看
1. 默认没有引擎,第一步就得配东西。 这是它最大的门槛,也是社区里被念得最多的一句——「效果不错,但需要自己准备视觉模型的 API Key,新手容易卡在第一步」。三条路:免费 Gemini key(三分钟领,不要信用卡,一次 5-10 秒)、免 key 的 agy 命令行(一次 15-45 秒,慢但不用注册)、或者复用你机器上 Claude Code / Codex / OpenCode / Pi 的登录(要逐家授权,花的是那些订阅的额度)。
2. 在 DSH 里「直接粘」不一定通。 作者 8 月的一条提交记录写得很坦白:DSH 的 DeepSeek 适配器把 inputModalities 写死成 ['text'],图片在插件钩子跑起来之前就被宿主拒了。所以稳妥玩法是先切到 (modlens vision) 变体再粘,或者干脆给它一个文件路径。README 现在也照实写了这条限制,没藏。
3. 说好的「版面区块」有时给不出来。 issue #130(11 月 12 日):用 OpenAI 兼容的提供方时,工具描述里承诺的 layout.regions 一直产不出来。也就是说,接第三方网关时,你能拿到全文转录,但拿不到「哪块字在页面什么位置」。
4. 一个模型解析失败,可能拖垮一整组。 issue #129(同日):resolve 阶段某个模型被拒,(modlens vision) 整组条目一起不可用。
5. 慢起来是真慢。 API 通道 5-10 秒,走 agent CLI 通道 15-45 秒。粘一张图等半分钟,体感上不叫「秒回」。另外它也没法读视频、没法一次吞五十张图——它读的是「一张图片」。
6. 作者独立维护,不收 PR。 好处是所有代码都过他的手,坏处是修得快慢全看他一个人。目前 4 个未关 issue,都是这类兼容细节,不是「装了就崩」。
五、要额外准备什么
Node 22.13 以上(走命令行安装才需要) 一个视觉引擎:免费 Gemini key / agy CLI / 已有订阅登录 / 任意 OpenAI 兼容端点(qwen-vl、GLM、自建 vLLM 都行) 联网:必须。图要交给视觉引擎去读 本地文件:它读的是你明确给的那一张(粘贴或路径),不扫你硬盘
安装命令有个坑:Web 版和桌面端不一样,别抄错。
浏览器里跑的(Web):
npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@3.27.3桌面端不是 web,是 desktop 或 desktop-xxx(ls ~/.dsh/profiles/ 能看到你实际用的名字),所以是 --profile desktop。
不想敲命令也行:设置 → 插件 → 插件配置,里面有一张 ModLens 卡片(dsh 0.1.7 起挪到侧栏「插件」页 → 已安装),切引擎、勾选能复用的本机 CLI,点保存就生效。
六、安全吗(这节最该看)
先把最重要的一句放前面:图片会离开你的电脑。
这不是它的 bug,是它的工作原理——图必须交给一个视觉引擎去读。所以真正要问的不是「它传不传」,而是「传给谁、传了什么」。
传给谁,取决于你选哪个引擎:Gemini、OpenAI、Anthropic、你自己的网关,或者本机的 CLI。官方文档专门列了一张表,写清远程图片 URL 到底由谁去抓。 截图里有什么,你自己先想一遍。身份证、合同、聊天记录、公司内部系统界面——粘之前停两秒。 它会在本地留一份转录文本,放在 ~/.modlens/dsh-evidence/,目录 0700、文件 0600,只保留「附件 id 等于图片字节 sha256」的条目,30 天没读就删,超过 64MB 先删最久没读的。删掉这个目录也安全,下次读图会重新跑一遍引擎。从会话里捞出来的图会写成 0600,放进每次新生成的 0700 临时目录,防止同机器上别人预先占个位子偷看。 图片里的文字被当作「不可信输入」,因为截图里可以藏指令(比如让人去读 ~/.ssh)。官方直说这是缓解措施,不是保证。两个细节值得知道:走 agy 引擎时它用 --dangerously-skip-permissions启动(官方解释是 prompt 模式在某些环境不加这个跑不起来);claude-cli只给 Read 权限;kimi-cli没法收窄权限,所以只能在点名时用、不许当兜底。8 月修过一个 SSRF 问题:以前远程图片 URL 是裸 fetch,指向 localhost、内网、云元数据地址也能下,下完还上传给视觉商。现在加了私网拦截、DNS 钉住、每一跳重定向重新校验,而且故意没留「允许私网」的开关——本地图请直接给路径。
至于「会不会偷偷上传」:官方安全文档里我没看到遥测或统计上报的说明,MIT 开源,代码可以自己查。但「文档没提」不等于「保证没有」,这点我不替它背书。
七、麻不麻烦,花不花钱
装:一条命令,或者市场里点一下。没有守护进程、不套壳、不改你任何配置,卸载就是删插件。
稳:迭代很快,3.27.3 是 11 月初的版本,8 月到现在一直在修。剩下的是慢和超时——配好 API key 会明显好过走 CLI 通道。
钱:插件 MIT,免费。但视觉引擎要额度。免费 Gemini key 有免费层,agy 免费但得登录,复用订阅花的是你订阅的额度。准确说法是:插件不要钱,看图要额度。
八、你该不该装
天天跟报错、表格、设计稿、截图打交道 → 装,值。这是它最舒服的场景。 只想偶尔看张图、一点 key 都不想配 → 用 dsh-vision-router 更省事。 手上本来就有一堆视觉模型额度(Gemini、qwen-vl、自建网关)→ ModLens 最合手,因为它不绑服务商。 主要写代码、纯文字聊天 → 可以先不装,省得为一个用不上的功能配 key。 经常要处理敏感截图 → 先想清楚能不能接受图片发给第三方,想不清楚就别用。
一句话总结:它给纯文本的 DeepSeek 补上了「看图」这项能力,粘贴即用、答案有据可查;但它默认要先配一个视觉引擎的额度,DSH 里直接粘贴还可能被宿主挡下(切 (modlens vision) 变体更稳),图片会发给你选的第三方、敏感截图别乱粘;插件本身免费开源,钱花在识图的额度上。
项目方说法备注:README 里的「全网最强视觉插件」「全网最轻量」「零配置起手」都是作者自述口径,不是第三方评测结论,看的时候打个折。以上数据取自插件详情页与 GitHub(v3.27.3、MIT、约 4900 星、30 天下载约 30 万)。
小编点评:这类「补感官」的插件,价值不在炫技,在于把你从「描述图片」这件苦差事里捞出来。ModLens 做得最像样的地方,是它肯把自己的限制写在明面上——粘贴可能被宿主拒、哪些情况读不准、复用别人的额度会标出来花的是谁的钱。一个插件愿不愿意告诉你它哪里不行,比它说自己多强有用得多。
你要是已经装了,欢迎留言说说它读错过什么——踩坑经验比推荐文值钱。还没装的,先收藏,等哪天被一张截图气到,再回来装。关注「无主有我」,插件这事我替你先踩。















































































