ModLens 视觉引擎全解析：6 大 Provider + 4 个可复用 CLI，免费通道到企业网关怎么选

ModLens 视觉引擎全解析：6 大 Provider + 4 个可复用 CLI，免费通道到企业网关怎么选

【免费下载链接】modlensThe first vision plugin for DeepSeek Harness, and the vision bridge for every text-only coding agent. Paste an image, get structured JSON evidence (OCR, layout, semantics). | 全网最强 DeepSeek Harness 外挂视觉插件，为 DeepSeek、GLM 等纯文本模型外挂视觉能力，粘贴图片即得结构化 JSON 证据（OCR、版面、语义）。项目地址: https://gitcode.com/gh_mirrors/mo/modlens

ModLens 是 DeepSeek Harness（dsh）生态中首个外挂视觉插件，也是所有纯文本编码 Agent 的"视觉桥"：把图片直接粘贴进对话框，它就能调用视觉引擎返回结构化 JSON 证据（OCR 全文、版面区块、语义实体）。本文带你一次看懂它的视觉引擎架构——6 大内置 Provider 与 4 个可复用 CLI 各适合谁，从免费通道到企业网关该怎么选。

一句话理解 ModLens

DeepSeek 主力对话模型和 GLM-5.3 本体都是纯文本的，看不懂图。ModLens 的思路很直接：给模型补上一副"眼睛"——你粘贴图片，它把图片交给某个视觉引擎读图，再把 OCR、版面、语义整理成 JSON 交还给模型，让回答"基于证据而非想象"。

它不绑定任何单一视觉服务，视觉来源一共10 个：

• 6 个内置 Provider：配好任意一个就能独立工作
• 4 个可复用 CLI：复用你本机已有 Agent 的登录态，零新密钥
• 1 条故障转移链：所有可用引擎自动组成回退队列，第一个成功者胜出

Provider 的注册表在 src/providers/index.ts，每个引擎都实现了统一的VisionProvider接口，这也是它"即插即用"的根本原因。

6 大内置 Provider 全解析

免费通道档：零注册或三分钟拿 key

antigravity-cli是"什么都不想注册"时的首选：安装agyCLI、浏览器登录一次，无需任何 key 就能读图，默认模型为gemini-3.6-flash-low，代价是单次 15-45 秒。

gemini-api则是官方推荐的默认引擎：到 Google AI Studio 领一个免费 key（约 3 分钟、不用信用卡），识别耗时直接降到 5-10 秒。实现见 src/providers/geminiApi.ts。

万能插座档：openai 兼容端点

openai这个 Provider 名字叫 OpenAI，实际是万能插座——任何讲 OpenAI chat-completions 协议、支持图片输入的端点都能插上：qwen-vl（通义视觉）、GLM 开放平台、SiliconFlow、OpenRouter，甚至你公司自建的 vLLM/Ollama 网关。

配置只有三个键（baseUrl、apiKey、model），apiKey还支持英文逗号分隔多个密钥，鉴权/限流/配额失败时自动轮换到下一把。实现见 src/providers/openaiCompat.ts，配置键全表见 skills/modlens/references/configure.zh-CN.md。

订阅复用档：借已有账号的额度

如果你已经在用 Claude Code 或 Kimi Code，claude-cli和kimi-cli可以直接"借"它们的登录态读图，不产生额外费用，但单次 20-45 秒。注意kimi-cli只在你显式点名时运行，永不作为自动回退成员——避免偷偷花掉你的额度。

4 个可复用 CLI：零新密钥扩展视觉来源

除了 6 个内置 Provider，ModLens 还能发现本机其他 Agent CLI 里现成的视觉能力，按家授权、平级入链、不插队：

关键设计：每次复用都会在结果的meta.warnings里标明花的是谁的额度，绝不无声扣费。授权前会先征得同意，授权状态记录在配置文件里，详见 docs/security.zh-CN.md。

免费通道到企业网关：一张速查表怎么选？

配置路由只有两个旋钮：modlens config set provider <name>表达偏好（链条继续兜底），-p <name>钉死单一引擎不回退。内网环境设HTTPS_PROXY或modlens config set proxy <url>即可，单个端点还能用openai.proxy ""强制直连。完整参数见 docs/cli.zh-CN.md。

故障转移链：回退永远不是无声的

这是 ModLens 视觉引擎最扎实的部分。不钉死 provider 时，所有已配置的引擎组成一条链：API 快车道（5-10 秒）先试，Agent CLI（15-45 秒）兜底，第一个成功结果胜出；结果里的meta.attempts按顺序记录每一次尝试和失败原因，所以任何一次回退你都能查到。

还有两层细节：

• 冷却机制：配额耗尽的引擎自动"冷却"，被挪到所在区域（快车道/Agent 通道）末尾，恢复后自动回到正常优先级，状态在 src/cooldown.ts 管理
• 借用路由插队保护：从其他 harness 借来的引擎插入链条时会尊重"你显式点名的引擎永远排最前"的规则，合并逻辑见 src/analyzer.ts 与 src/providers/availability.ts

上图就是在 DeepSeek Harness 中选中DeepSeek-V4-Flash (modlens vision)变体后直接粘贴截图的效果：轨迹里可以看到图片抵达时"已由 modlens 视觉桥转写"，回答逐个 UI 元素地还原了界面。

实测：密集图表也能读对

压力测试场景是 128 个 AI 模型的对比散点图——双轴定义、对数刻度、按厂商的配色、高亮区域、虚线标注的每个 DeepSeek 型号全部识别。密集图表正是视觉桥最容易出错的场景。

输出的固定 JSON 契约包含summary（摘要）、ocr（全文与逐行）、layout（按阅读顺序的版面区块）、semantics（场景、实体、关系）、uncertainty（不确定清单），下游想解析可以直接对着契约写，详见 docs/output-schema.zh-CN.md。

快速上手：三步配好你的视觉引擎

1. 安装：DeepSeek Harness 用户一条命令装插件；其他 harness 用 skills 安装 skill，细节见 INSTALL.md 与 docs/harness-setup.zh-CN.md
2. 配置：modlens doctor先体检——它会盘点 Node 环境、每个 Provider 的就绪状态、本机的故障转移链、复用授权情况，且不花一分钱额度
3. 粘贴：装好后不需要记任何命令，直接粘贴图片或给路径，skill 自动触发

dsh 用户还有网页入口：设置页的插件配置里有一张 ModLens 卡片，切换引擎、勾选 auto 模式可复用的本机 CLI，点几下保存即生效。

延伸阅读

一句话总结选型：想省心选gemini-api，想完全免注册选antigravity-cli，企业内网选openai指向你自己的网关，什么都不想配就全都不用配——ModLens 会把所有可用引擎自动串成一条可靠的故障转移链。

【免费下载链接】modlensThe first vision plugin for DeepSeek Harness, and the vision bridge for every text-only coding agent. Paste an image, get structured JSON evidence (OCR, layout, semantics). | 全网最强 DeepSeek Harness 外挂视觉插件，为 DeepSeek、GLM 等纯文本模型外挂视觉能力，粘贴图片即得结构化 JSON 证据（OCR、版面、语义）。项目地址: https://gitcode.com/gh_mirrors/mo/modlens