大约 2616 星，单日新增 517 星。
这个数字已经够显眼了，但继续往下看，我发现它最近做的一件事更有意思：ModLens 已经正式接进 DeepSeek Harness，原本只能处理文字的 DeepSeek V4 Flash、V4 Pro，现在可以直接接收截图、网页界面、表格、图表这些视觉内容。
而且安装入口很夸张。
一条命令。
npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@3.18.2如果只把它理解成“给 DeepSeek 加了一个 OCR”，其实低估了这次更新。
它刚好把 DeepSeek Harness 那句很程序员的话——Everything is a plugin——演示成了一个普通人也能理解的场景：
模型自己缺能力，Harness 可以在外面给它补。
DeepSeek V4 依然只会读文字，图片先被翻译给它看先把原理弄明白，后面的玩法就很好理解了。
DeepSeek V4 Flash 和 V4 Pro 目前依然属于文本模型。安装 ModLens 以后，底层模型没有发生改变。
变化发生在模型收到内容之前。
一张图片进入 DeepSeek Harness 后，会先交给 ModLens。ModLens 再调用真正具备视觉能力的模型读取图片，把里面的信息整理出来，然后以文字和结构化数据的形式交给 DeepSeek。
大致可以理解成：
截图 / 图片
↓
DeepSeek Harness
↓
ModLens
↓
视觉模型读取
↓
文字、布局、实体、关系、视觉特征
↓
整理成结构化证据
↓
DeepSeek V4 Flash / Pro
↓
继续分析和回答所以 DeepSeek 最后看到的内容，很像一份提前做好的“视觉调查报告”。
比如一张登录页面截图。
普通 OCR 可能只能得到：
登录
用户名
密码
确定ModLens 还能继续整理页面结构：
页面类型：登录界面
顶部：页面标题
中部：用户名输入框
下方：密码输入框
底部：登录按钮
实体：
用户名输入框
密码输入框
登录按钮
关系：
登录按钮属于登录区域
密码输入框位于用户名输入框下方到了 DeepSeek 手里，这些信息已经不再是一堆散乱文字。
它知道什么是标题、什么是按钮、哪些内容属于同一个区域，接下来才能继续判断页面在干什么、哪里可能有问题。
这也是 ModLens 比单纯 OCR 有意思的地方。
它连“我没看清”都单独留了一个位置我继续翻 ModLens 的输出格式时，发现作者对这件事做得比想象中细。
每次读图，它会整理出 6 类主要信息：
summary
ocr
layout
semantics
visual
uncertainty换成容易理解的说法：
summary 是整张图讲什么；
ocr 是图片里的文字；
layout 记录标题、表格、图表、按钮等区域，以及阅读顺序；
semantics 继续提取人物、按钮、菜单、物体这些实体，以及它们之间的关系；
visual 负责颜色、样式和其他视觉特征；
最后还有一个 uncertainty，专门记录它自己没有把握的地方。
这个设计有个很有意思的背景。
ModLens 以前还会输出 bbox，也就是物体在图片里的像素坐标，同时给出一个数字形式的置信度。
后来作者干脆把这两个字段删掉了。
视觉模型很容易把这些数字“算”得特别像真的：坐标精确到个位数，置信度写成 0.97，看上去非常专业，可实际并不一定可靠。
现在的办法更朴素。
看不清，就把问题写进：
uncertainty这对 Agent 反而更有价值。
因为后面的 DeepSeek 至少知道：这一部分不能太自信。
真正值得关注的是，它已经变成 Harness 的原生工具ModLens 之前也支持 Claude Code、Codex、OpenCode、Pi 这些工具。
但接入 DeepSeek Harness 后，玩法更进一步。
它会直接给 DSH 注册一个原生工具：
modlens_read_image这个工具的定义会随着正常请求一起进入模型上下文。
DeepSeek 因此明确知道，当前环境里有一个可以读取图片的工具，需要时可以直接调用。
这一点很关键。
很多 Skill 的工作方式，本质上还是在提示词里告诉模型：
遇到图片时，请记得使用某个工具。模型有没有触发、什么时候触发，很大程度上还需要依赖提示词和模型判断。
ModLens 在 DSH 里已经进入更底层的 Plugin 体系。
它还会寻找当前配置中的纯文本 DeepSeek、GLM 路由，然后自动增加类似这样的入口：
DeepSeek-V4-Flash (modlens vision)
DeepSeek-V4-Pro (modlens vision)选中以后，聊天窗口里的体验会更接近真正的视觉模型。
直接粘图片，消息里还能看到缩略图，背后则由 ModLens 把图片转成视觉证据，再送给原来的 DeepSeek。
所以从用户角度看，最直观的变化只有一个：
以前 DeepSeek 看不懂这张图。
现在粘进去，它能继续聊。
真要上手，先用一条命令装，再试这 3 类图片已经装好 DeepSeek Harness 的朋友，上手并不复杂。
如果平时使用的是 web Profile，当前 ModLens 文档给出的安装方式是：
npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@3.18.2如果你的 Profile 不是 web，把后面的名字换成自己的即可。
安装后可以检查一下实际装进去的插件：
npx -y @deepseek-ai/dsh plugin --profile web list然后打开 DeepSeek Harness Web UI，在：
Settings
→ Plugins
→ Plugin configuration里面可以看到 ModLens 的配置。
这里还有一个容易混淆的地方：ModLens 负责把视觉能力接进来，它自己并不是那个真正负责识图的大模型。
你需要给它一个 Vision Engine。
它支持多种视觉来源，也支持兼容 OpenAI 协议的视觉模型。电脑上如果已经配置了某些 Agent CLI，在明确授权后，ModLens 还可以复用其中已有的视觉能力。
比如你机器上本来就有能读图的 Codex，那么一次请求可能变成：
DeepSeek V4 Flash
↓
发现需要读图
↓
ModLens
↓
调用已有视觉能力
↓
得到结构化视觉结果
↓
交回 DeepSeek装好以后，我比较建议用三种图片测试。
第一种是报错截图。
比如软件弹窗、终端报错、安装失败页面，看看它能不能读出错误信息，同时理解按钮和页面结构。
第二种是图表。
最好找一张坐标轴、图例、数据点比较多的图，看它能不能同时搞清文字和数据关系。
第三种是软件或者网页界面。
直接问它：
这个页面是干什么的？
左侧几个区域分别有什么作用？
哪个按钮可能是我要找的设置入口？这类任务最容易看出“结构化视觉”和普通 OCR 的差距。
这两天的更新记录，比 517 星更能说明问题ModLens 最近几天的更新速度非常快。
DeepSeek Harness 接入以后，作者一直在补实际使用中的细节。
例如给 DSH 加原生 modlens_read_image 工具；处理文本模型粘贴图片被 Harness 拒绝的问题；给 Web UI 增加插件设置入口；修复 (modlens vision) 模型切换后的 Reasoning 连续性；处理 Windows 下不同 CLI 的兼容问题；甚至连粘贴图片产生的临时文件如何清理都开始管了。
这些听起来不像什么“重磅功能”，但恰恰说明项目正在从 Demo 往真正能用的 Plugin 发展。
一个 Demo 只需要展示：
看，我让 DeepSeek 识别图片了。真正在电脑上天天用，会遇到完全不同的问题：
图片怎么粘进去？
不同模型怎么切？
原来的图片会不会让纯文本 Session 卡住？
Windows 怎么办？
API Key 放哪里？
插件升级以后为什么还是旧版本？
临时图片会不会越积越多？
这些边角问题一个个补上以后，工具才会从“挺酷的项目”变成“我愿意留下来继续用的东西”。
先别把它当原生多模态，这 4 个边界要记住ModLens 很有意思，但现在还不能无脑使用。
第一个边界是视觉信息仍然可能读错。
DeepSeek 拿到的是视觉模型整理过的结果。前面如果误读了一张图，后面就可能出现：
视觉模型读错
↓
生成错误证据
↓
DeepSeek 基于这些证据认真分析
↓
得到一个逻辑很通顺的错误答案所以处理重要图表、合同截图、金额、关键配置时，该核对的地方还是要核对。
第二个边界来自 DeepSeek Harness。
DSH 官方现在仍然把项目标记为 Developer Preview，而且明确提醒过后续可能存在兼容性破坏。插件接口还处于快速发展阶段，今天能跑的安装方式，以后完全可能调整。
第三个是安全。
图片同样属于外部输入。
网页截图、文档、别人发来的图片里面都可能包含针对 Agent 的恶意指令。特别是 Agent 本身拥有终端、文件系统等较高权限时，来源不明的内容要更谨慎。
第四个是版本更新。
这个项目最近更新得实在太快。我开始查看时还是 3.18.1，继续研究时文档已经使用 3.18.2。
ModLens 甚至专门提醒 DSH 用户，安装时最好写明确版本号。
原因也挺冷门：pnpm 11 默认会对刚发布不到 24 小时的软件包设置发布时间窗口，直接使用 @latest，有时拿到的反而是前一天的版本。
如果发现别人已经能用的新功能，自己怎么装都没有，这个版本问题值得先查一下。
ModLens 最有意思的地方，是让“Everything is a plugin”终于落地了前面研究 DeepSeek Harness 时，Everything is a plugin 这句话很容易让人觉得离普通用户有点远。
看完 ModLens 以后，这个概念突然变得非常具体。
模型负责推理。
Harness 给模型组织外部能力。
今天缺视觉，就挂一个视觉 Plugin。
以后类似的思路还可以继续扩展到搜索、浏览器、音频、视频、Office、数据库或者各种专业软件。
实际上，DeepSeek Harness 自己现在已经把 Web、Shell、文件系统、Skill、Subagent、Workflow、Sandbox、Attachment、后台任务等能力拆成了一系列独立模块。
整个方向越来越清楚：
模型
+
Harness
+
Plugin
=
真正工作的 Agent以前看到一个纯文本模型，我们第一反应通常是等下一代：
等它什么时候支持图片。
现在 Harness 给了另一条路。
模型本身可以继续专心做自己擅长的推理，缺少的那块能力从外面接进来。
这也是为什么我觉得 ModLens 这一天涨的 517 星挺有代表性。
大家追的可能不只是一个“识图插件”。
DeepSeek Harness 的插件生态，开始有点好玩起来了。
