大家好，我是晓凡
一、 DeepSeek 性价比突出，却存在视觉盲区
DeepSeek 的用户群体正在持续扩大。原因很直观——成本效益突出，且能力迭代迅速。
V4-Flash 正式版推出后，性能指标再度跃升，而 V4-Pro 正式版也于近日正式亮相。
据平台统计，DeepSeek 的 Token 消耗量已突破 8 万亿，这表明用户是实际投入资源使用，而非仅停留在尝试阶段。
然而，长期使用者普遍会遇到一个共同障碍：无法处理图像内容。
当你上传截图时，系统会直接反馈“我无法处理图片”。这对日常对话影响有限，但在实际工作场景中便显得颇为不便。
以典型场景为例。前端开发时设计稿就在手边，希望让模型参照生成界面。由于无法识别图像，你只能口头描述：左侧放置按钮，右侧安排输入框，主色调为蓝色……耗费大量精力描述后，效果仍可能与预期存在偏差。
另一种常见情况是代码调试。遇到报错需要协助排查，截图发送后系统无法读取。你不得不将错误信息逐字复制为文本，并详细说明具体文件及行号。若遇到格式混乱的报错堆栈，复制粘贴过程极易产生混淆。
这些问题的根源在于它缺乏视觉感知能力，并非多模态模型。
实际上，不仅 DeepSeek，许多专注于文本生成的模型都存在类似局限。只是凭借庞大的用户基数和极具竞争力的价格，DeepSeek 被广泛应用于实际任务中，这一不足便显得尤为突出。
幸运的是，目前已存在成熟的解决方案来弥补这一缺陷，且实施成本极低，下文将详细说明。
二、 开源 Skill 实现视觉能力扩展
无需等待官方功能更新，开源社区已开发出相应解决方案，其名称为 claude-vision-skill。
不必因“Claude”字样而产生顾虑。
虽然该工具最初为 Claude 设计，但可集成至任意 Agent 平台，安装后 Agent 将自动完成适配。
该项目目前获得的 star 数量已达到 1.9k。
github地址：
其实现逻辑较为直观：首先将图像传输至具备视觉识别能力的模型，由该模型将图像内容转化为文字描述，然后将这些描述文本反馈给 DeepSeek。由于 DeepSeek 接收的是文本信息，自然能够“理解”图像内容。
简而言之，相当于引入一个具备视觉能力的“翻译”模型，将图像信息转换为文字描述，再转交给 DeepSeek 处理。
DeepSeek 自身无需具备图像识别功能，只需能够解读翻译结果即可。
因此，你需要额外配置一个支持视觉识别的模型。
项目默认推荐阿里千问系列中的 qwen3.5-omni-plus 和 qwen-vl-max。
选择千问的原因在于其经济性。阿里云为新用户提供 100 万 Token 的免费额度，折算后单次图像识别成本约为两分钱，几乎可以忽略不计。
当然，如果你已拥有其他支持 OpenAI 兼容接口的视觉识别模型，同样可以接入使用，不存在兼容性限制。
该 Skill 本质上扮演着“信息中转”角色，底层的识别模型可根据需求灵活替换。
三、 部署配置
只需将以下内容提交给 Codex，后续流程将自动完成，无需手动执行命令或修改配置文件。
按照 的 README 帮我配置识图
整个过程将自动完成代码拉取与配置编写，你只需观察进度即可。
安装结束后，还需完成最后一项设置：配置视觉识别模型的 API Key。
默认使用阿里千问服务，需要前往千问AI平台：
创建并获取API Key。
新用户享有的 100 万免费 Token 额度，大约可支持 7000 次图像识别操作。
即使每天使用，也足以维持数月之久。待免费额度耗尽后，继续充值成本依然低廉，单次仅需两分钱，日常使用几乎不会产生经济负担。
有两个细节需要特别注意。首次使用图像识别功能时，Agent 可能会弹出提示，要求 给 DeepSeek 补上识图能力，成本几乎可以忽略，效果却立竿见影。原理不复杂，就是借一个会看的模型，把图片变成文字再转给它。装起来也就一句话的事，前后几分钟。有需要的小伙伴，值得一试。
评论0