把一张报错截图贴给只会读文字的 AI，它原本只能“看见”一个文件。ModLens 给 DeepSeek Harness 补上了这只眼睛：用户直接粘贴图片，插件先解析内容，再把结果交给纯文本的 DeepSeek 或 GLM 模型继续判断，不必先保存图片、手动传入路径。
关键不只是把图转成一段描述。按项目作者的说法，ModLens 会提供完整文字转录、按阅读顺序排列的布局区域，以及实体和关系列表。OCR——把图中文字转成文本——负责“读字”；布局分析保留标题、正文、控件等区域的位置关系；最后用 JSON——一种有层级的文本格式——整理成可引用的结构化证据。这样，编码 Agent 处理界面截图时，拿到的更像一份标注清楚的现场记录，而不是依赖模型猜图。
它也承接了 DeepSeek Harness“一切皆插件”的思路：安装一个插件，就能为确认属于纯文本的模型增加视觉入口，同时避开原生视觉模型。项目页称其已在 Claude Code、Codex、Pi 和 OpenCode 的真实设备上验证，但未披露识别准确率或系统性对比结果。