一、 DeepSeek 便宜好用，偏偏"看不见"
用 DeepSeek 的人越来越多，原因很直白：便宜，而且越来越强。
V4-Flash 正式版一发布，性能又往上蹿了一截，而就在这几天，V4-Pro 正式版也出来了。
有平台披露，DeepSeek 的 Token 消耗已经冲到 8 万亿，说明大家是真金白银在投入，而非嘴上喊喊。
不过用得久的人，多半都撞上过同一道坎：它看不了图。
你发张截图过去，它是懵的，直接告诉你"我无法处理图片"。这对聊天来说没多大影响，但一到正经干活的时候，就有点难受了。
举个最常见的情形。代码报错了，你想让它帮忙看看，截图发过去，它却读不了。你只能把报错信息一个字一个字敲成文字，还得说清是哪个文件、哪一行。遇上那种排版乱成一团的报错堆栈，光复制粘贴就能把自己绕晕。
再比如做前端，设计稿摆在眼前，你想让它照着写界面。它看不见图，你只能靠嘴描述：左边一个按钮，右边一个输入框，颜色是蓝的……费半天劲，描述出来还感觉跟自己脑子里想的不一样。
这些场景归根结底就一句话：它没有"眼睛"，压根不是多模态模型 。
其实不止 DeepSeek，很多主打文本的大模型都有这个短板。只是 DeepSeek 用的人多、价格又便宜，大家特别愿意拿它来干活，这个缺陷就被放大了。
好在，这块短板如今有现成的补法，成本低到几乎可以忽略，下面细说。
二、 一个开源 Skill 把事解决了
这个能力不用等官方更新，开源社区早有人把方案做好了，名字叫 claude-vision-skill。
别被"Claude"这名字劝退了。它虽然是给 Claude 做的，但能装到任何 Agent 上，装好之后 Agent 会自己去适配。
这 Skill 目前star 也到了1.9k 。
背后的原理不复杂：先把图片交给一个会识图的模型，让它用文字把图里的内容描述出来，再把这段描述回传给 DeepSeek。DeepSeek 拿到的是文字，自然就"看懂"了。
说白了，就是请一个"看得见"的模型当翻译，把图片翻成文字，再转述给 DeepSeek。它自己不用会看图，只需要会读翻译结果就行。
所以你得额外配一个会识图的模型。
仓库默认推荐阿里千问的 qwen3.5-omni-plus 和 qwen-vl-max。
为什么选千问？图它便宜。阿里云百炼给新用户送 100 万 Token 的免费额度，折算下来识一次图大概两分钱，简直跟不要钱一样。
当然，你手上要是有别的支持 OpenAI 兼容接口的识图模型，一样能用，不挑。这个 Skill 干的其实就是个"搬运"的活儿，中间的识图模型换成谁都可以。
三、 安装
直接把下面内容丢给 Codex，剩下的它自己搞定，不用你手动敲命令、改配置。
按 的 README 帮我配置识图
整个过程它自己会去拉代码、写配置，你盯着看就行。
装完之后还剩最后一步：配识图模型的 API Key。
默认走阿里千问，需要到千问 AI 平台申请一个 API Key。
新用户那 100 万免费额度，大概能识图 7000 次。
就算你天天用，也够顶好几个月。等免费额度用完了，继续充也不贵，一次两分钱，日常用基本不心疼。
有两个小地方值得留意。第一，第一次用它识图时，Agent 可能会弹一下，让你确认要调用外部模型，点个同意就行。
第二，API Key 别随便往外发，千问是按量计费的，虽然便宜，但被有心人拿去刷就亏了。
四、装上之后，效果如何
装完直接就能用，不用重启，不用再折腾一遍。
我随手拿一张图试了试，让它读图里的内容。
结果它对得挺好，文字、结构基本都识别出来了。
我又把一张ruoyi项目启动报错的截图丢给它。
这么一来，DeepSeek 也算"睁眼"了。以后写代码遇到报错，直接截图发过去；界面长啥样，一张图就说明白。
我现在基本把它当默认配置用了。改前端的时候截图丢过去，它能把布局、配色、间距说得八九不离十，照着写省不少来回。
看文档截图、读报错、甚至翻译图片里的英文，都能顺手干。原来需要我把文字复制进去，现在一张图就搞定了。
至于识图模型本身的准确度，千问这套在中文场景下表现挺稳，日常截图、文档、界面基本够用。真要碰到特别复杂的图，偶尔也会翻车，不过那属于个别情况，不影响大局。
总结
给 DeepSeek 补上识图能力，成本几乎可忽略，效果却立竿见影。原理不复杂，就是借一个会看的模型，把图片转成文字再交还给它。
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