我给 AI 编程助手装上了眼睛,8.7 秒读完一张截图

DeepSeek Harness（下面简称 dsh）有个硬伤：背后的主力模型看不了图。报错截图贴进对话，它只能回一句「抱歉，我看不了图片」。

我装了个开源插件 modlens，把这个问题解决了。实测：一张带文字的测试图，8.74 秒读完，一个字符不差。安装只要一条命令，十分钟能搞定。这篇记录完整过程和三个坑。

一句话：给纯文本模型外挂一个视觉引擎。

你贴一张图，modlens 把它喂给真正能看图的模型，换回一份结构化「证据」：全文转写、按阅读顺序排好的版面区域、实体关系列表。你的模型对着证据回答，不是对着一段自由发挥的描述脑补。

它还极轻：不改配置、不装代理、不挂钩子。卸载就是删个文件夹。

我的环境：dsh，Windows。核心就一条命令（版本号要写死，坑一后面说）：

npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@3.22.0

3.1 秒装完。重启 dsh，模型选择器里出现带 (modlens vision) 后缀的条目，就是活了。

它的安装文档是写给 AI 看的——把 INSTALL.md 链接丢给你的 agent，说一句「按这个装」，剩下的它自己来。用 Claude Code、Codex、OpenCode 的朋友，做法是复制仓库里的 skills/modlens 文件夹到对应目录，文档里有对照表。

插件只是桥，还得有个能看图的模型。内置六种引擎，机器上已有的登录还能直接复用——复用前会一个个征求你的同意，并标注花的是谁的配额。

三条常见路线：

路线一：本机 Claude Code 已登录。零配置，但慢，20 到 45 秒一次，烧订阅额度。

路线二：免费 Gemini key。读图 5 到 10 秒，官方推荐。

路线三：任何 OpenAI 兼容端点。有现成 key 的走这条。

我走路线三，用 GLM Coding Plan 的 glm-5v-turbo。这里碰到坑二：智谱给 Coding Plan 准备了三个端点，协议不同，地址不同。modlens 走 OpenAI 格式，对应的是：

baseUrl：https://open.bigmodel.cn/api/coding/paas/v4
model：glm-5v-turbo
apiKey：你的 Coding Plan key

四条 config set 命令写进 ~/.modlens/config.json。这些同样可以让 agent 代劳。

modlens 自带 doctor 命令，纯本地诊断，不花配额。配置完，关键两行：

Selected provider: openai
[ok] openai: baseUrl: file, apiKey: file, model: file

还有个惊喜：故障转移链。我这台机器是 openai → codex-cli → claude-cli，主引擎挂了自动换下一个。

然后真实读图。我用代码画了张图：白底，蓝框，中间红色加粗的 MODLENS-42。

8.74 秒返回。OCR 结果就是 MODLENS-42，一个字符不差。连「主色蓝、红、白」「加粗无衬线字体」都列出来了。花费 1025 个 token。

坑一：@latest 会翻车。pnpm 11 发布不足 24 小时的版本，@latest 可能解析到旧版。先跑 npm view @liustack/modlens version 查号，把数字写进命令。我查到 3.22.0。

坑二：dsh 上是插件，不是 skill。复制 skill 文件夹是 Claude Code 的做法，在 dsh 没用。装错的症状：没有 modlens_read_image 工具，也看不到 vision 条目。

坑三：GLM 的视觉 MCP 喂不进 modlens。MCP 是给 MCP 客户端用的工具集，modlens 只认 API 端点和本地 CLI。两条路，别混。

计费提醒：

智谱官方说明：Coding Plan 套餐额度仅限官方支持的指定工具环境使用，规定工具外调用 API 不享套餐额度。modlens 属于第三方调用，实测能通，但账单归属请自行留意用量统计。

装完我贴了张截图，想测怎么手动触发——根本不用测。消息发出去的瞬间，modlens 自己把图读了。

把 INSTALL.md 丢给你的 agent，剩下的它自己会。

数据来源：3.1 秒安装、8.74 秒读图、1025 tokens、版本 3.22.0，来自 2026 年 8 月 20 日真实安装与测试记录。

你的 AI 编程工具看得了图吗？评论区聊聊。