怎么让 DeepSeek Harness 看图：视觉插件全解析

纯文本模型很强，直到你需要它看东西。DSH 社区高频问题：“怎么让 DeepSeek Harness 看图？” 答案是视觉插件。这篇把选项讲清楚。

一句话结论

纯文本模型的 Harness 不能直接看图，视觉插件用两种方式补齐：

1. 视觉桥接——把图发给视觉模型，拿回结构化结果
2. 视觉工具包——图片问答、OCR、截图、UI 还原、GUI 自动化

三个关键插件：

• modlens —— 视觉桥接：贴图即得结构化 JSON 证据
• dsh-vision-toolkit —— 带意图的图片问答、长截图 OCR、UI 还原
• agent-vision-toolkit —— 编码智能体的完整视觉 + GUI 自动化

各自怎么用

modlens —— 图变成证据

最直接的”让模型看见”：对话里贴图，智能体拿到结构化 JSON（OCR、布局、语义）并据此推理。零 Python、一条命令装好。

dsh plugin add github:liustack/modlens

dsh-vision-toolkit —— 带意图的视觉

专为纯文本模型设计：能”就图提问”，能做长截图 OCR（文档、网页截图都行），能从截图还原 UI。它会识别每次视觉请求的意图再分流处理。

agent-vision-toolkit —— 视觉 + GUI 自动化

重量级选手：多图理解、图片问答、长截图 OCR、前端 UI 还原、GUI 自动化，外加技能封装。想让智能体”看到界面并操作它”，选这个。

按场景对号入座

• “看看这个报错截图，告诉我哪里错了” → modlens
• “把这张长网页/PDF 截图 OCR 出来” → dsh-vision-toolkit
• “照着截图把 UI 还原出来” → dsh-vision-toolkit / agent-vision-toolkit
• “点屏幕上你能看到的那个按钮” → agent-vision-toolkit（GUI 自动化）

配置提醒

视觉插件需要一个能看图的模型。大多数接受任意 OpenAI 兼容 VLM 端点（比如国产免费档）。目录里每个插件页都链了具体配置步骤。

更多选择见工具与能力分类，或搜索 vision。

结论

总被”我看不了这张图”卡住的话，先装 modlens——从纯文本到”智能体能读截图”最快的一条路；要大规模 OCR 或 UI 还原再加 dsh-vision-toolkit。