第22课 · 让 DeepSeek 能看图
本节要点
- 痛点：DeepSeek 是纯文本模型，给它发图片它「看不懂」——截图让它分析，它直接罢工
- 两种解决办法：① 直接换成多模态模型（最省事）；② 继续用便宜的 DeepSeek，给它配一个「识图子代理」
- 本课重点：用 oh-my-opencode-slim 插件里的
observer（观察者）子代理，给它配上一个支持看图的模型 - 一段现成指令：复制粘贴给 AI，它会自动帮你拉取模型、判断哪个能看图、完成全部配置并测试
- 配好后，DeepSeek 遇到图片会自动「叫」识图子代理帮忙看，写前端代码能截图自查、报错直接截图发它
1. 痛点：DeepSeek 是个「瞎子」
前面课程里我们主推的是 DeepSeek——它便宜（按量收费）、编码能力强，性价比很高。但它有一个明显的短板：它是一个纯文本模型，不是多模态的，识别不了图片。
实际场景是这样的：你截了一张图（比如一个界面、一段报错信息），粘贴发给 DeepSeek，让它分析一下——结果它直接告诉你「我无法识别图片」。
写代码的时候这特别难受：
- 让 AI 做前端界面，做完你想让它截图看看显示对不对——它看不了
- 遇到报错，你懒得手敲错误信息，直接截图发它——它也看不了
等于这个 AI 干活很猛，但眼睛是瞎的。
2. 两种解决办法
方式一：直接换成多模态模型（最省事）
最简单的办法，就是别用 DeepSeek，换一个本身就支持看图的多模态模型。
现在市面上的选择很多，而且变化很快，常见的有：
- Coding Plan 包月服务：比如 Kimi Coding Plan、小米的 Mimo 等，一个月固定费用随便用
- 按量收费的多模态模型：阿里云百炼、硅基流动等平台都有
- 免费的多模态模型：比如 MIMO 2.5（免费版就能看图）
想知道哪个编码模型最强
目前编码能力最强的大概是智谱 GLM 5.2 和 Kimi code 2.7，你可以看看你常用的平台里有没有这两个，同时支持多模态的话，直接用就行。
换多模态模型后，粘贴图片它立刻就能识别，没有任何问题。
方式二：继续用便宜的 DeepSeek，给它配一个「识图子代理」 👈 本课重点
但 DeepSeek 实在便宜好用，很多人不想换。那怎么办？
办法是：DeepSeek 继续当主力（干文本的活），另外给它配一个专门负责看图的「助手」。 遇到图片，DeepSeek 会自动把图片交给这个助手看，助手看完再把结果告诉 DeepSeek。
这个「助手」，在 oh-my-opencode-slim 插件里叫 observer（观察者）子代理。
💡 如果你没装 oh-my-opencode-slim 插件，先回到第5课把它装上。这节课的方法依赖这个插件。
3. 原理：oh-my-opencode-slim 是「多智能体」
回顾一下第 5、12 课讲过的：oh-my-opencode-slim 是一个「多智能体」插件。
它的结构像一个公司：
- 编排者（orchestrator）：相当于项目经理，负责理解你的需求、分配任务
- 下面挂着好几个「子代理」：每个子代理擅长不同的活，比如查资料的、写代码的、做设计的……
其中有一个子代理叫 observer（观察者），它的特长就是看图、分析图片。
问题是：这个 observer 子代理默认是关闭的（插件作者把它放在了「禁用列表」里）。我们要做的就三件事：
- 打开它（从禁用列表里移出来）
- 给它配一个支持看图的模型（比如阿里云百炼的视觉模型）
- 测试一下，让 DeepSeek 遇到图片时能自动叫它帮忙
听起来要改配置文件、选模型……有点复杂？别怕，我给你写好了一段指令，复制粘贴就行。
4. 准备：去服务商申请一个 API Key
在用指令之前，你需要先有一个支持看图的模型 API Key。
推荐用你平时就在用的平台（任意一个都行）：
| 平台 | 特点 |
|---|---|
| 阿里云百炼 | 阿里官方，模型全，有 qwen-vl 系列视觉模型 |
| 硅基流动 | 聚合多个开源模型，价格便宜 |
| 其他平台 | 智谱、Kimi、小米 Mimo 等，只要你那儿有多模态模型就行 |
以阿里云百炼为例（其他平台流程类似）：
- 浏览器搜索「阿里云百炼」（建议用微软必应搜，百度搜出来的经常是垃圾信息）
- 进入官网，注册账号 + 实名认证
- 充值一点钱（按量收费，看几张图花不了几毛钱）
- 在控制台找到「模型广场」，看看有哪些视觉模型 / 全模态模型（心里有个数就行，不用记）
- 创建一个 API Key，复制下来备用
API Key 是花钱的凭证
API Key 相当于你的钱包密码，谁拿到就能用你的额度。千万别发到群里、别提交到 git 仓库。 用完了不放心可以回去把它删掉重建。
5. 核心：复制这段指令，粘贴给 AI
这是本课的重头戏。把下面整段指令复制，粘贴给你正在用的 OpenCode（或 Claude Code）会话，发给它。
它会像一个安装向导一样，一步一步引导你完成配置——你只需要回答它问的两个问题（用哪家服务商、API Key 是多少），剩下的它全包。
# 任务：为 observer 子代理配置视觉模型（让它能读图）
## 背景
当前主模型是 DeepSeek（纯文本，不支持图像）。我要启用 oh-my-opencode-slim 的 observer 子代理，给它配一个支持视觉的模型，这样以后可以 `@observer 分析 /path/to/image.png` 让它读图。
## 三个硬性要求（之前失败的原因，必须全部满足）
1. **模型必须同时支持「图像输入」+「tool calling / function calling」**。
原因：observer 要调用 `read` 工具去读图片文件路径。纯视觉但不会 function calling 的模型（很多开源小 VL 模型就是这种）会让 observer 完全瘫痪。
2. **模型配置里 `modalities.input` 必须包含 `"image"`**。
原因：opencode 默认认为模型不支持图片，会主动剥离图片，read 工具返回 "Cannot read image (this model does not support image input)"。必填。
3. **`disabled_agents` 必须清空 observer**。
原因：oh-my-opencode-slim 默认禁用 observer，不清空它根本不会注册。
另外避开已知 bug：通过 @observer 直接拖图片附件会被 subtask 丢弃。**正确用法是传文件路径**让 observer 自己 read。
## 执行步骤
### Step 1：向我确认 provider 和 api-key
如果我没主动给，先问我：
- 提供商是哪家？（阿里云百炼 / 硅基流动 / OpenAI / Gemini / 智谱 / 其他）
- api-key 是多少？
### Step 2：检测操作系统 + 确定配置文件路径
- macOS / Linux：`~/.config/opencode/opencode.json` 和 `~/.config/opencode/oh-my-opencode-slim.jsonc`（或 `.json`）
- Windows：`%USERPROFILE%\.config\opencode\opencode.json` 和 `%USERPROFILE%\.config\opencode\oh-my-opencode-slim.jsonc`（PowerShell 里用 `$env:USERPROFILE`）
确认这两个文件实际位置（`.json` 和 `.jsonc` 以实际存在的为准），不存在就创建。后续所有命令都要适配当前 OS（macOS/Linux 用 `curl`，Windows PowerShell 用 `Invoke-RestMethod`）。
### Step 3：自动获取 provider 的模型列表，自己选出最合适的视觉模型
**不要套用任何预设的模型表，必须实时获取 + 判断。** 按下面流程做：
**(a) 调 provider 的 OpenAI 兼容 `/models` 接口拉取实际可用模型**
用我给的 api-key，请求 `{baseURL}/models`（带 `Authorization: Bearer {apiKey}`）。各 provider 的 baseURL：
- 阿里云百炼 DashScope：`https://dashscope.aliyuncs.com/compatible-mode/v1`
- 硅基流动 SiliconFlow：`https://api.siliconflow.cn/v1`
- 智谱 GLM：`https://open.bigmodel.cn/api/paas/v4`
- OpenAI：`https://api.openai.com/v1`
- 其他 provider：问我 baseURL
命令模板（按 OS 选一种）：
```bash
# macOS / Linux
curl -s "{baseURL}/models" -H "Authorization: Bearer {apiKey}"
```
```powershell
# Windows PowerShell
Invoke-RestMethod -Uri "{baseURL}/models" -Headers @{Authorization = "Bearer {apiKey}"}
```
解析返回的 `data[].id` 列表，得到全部可用模型 ID。
**(b) 从结果里筛出候选视觉模型**
优先匹配名字含这些关键词的最新模型：`vl`、`vision`、`vlm`、`4o`、`ommivision`、`gemini-2`、`llava`。排除明显是纯文本的（`-text`、`-instruct` 不带 vl 的、embedding、tts、rerank 等）。
**(c) 查 provider 官方文档，确认候选模型支持 tool calling**
这一步**必做**，不能猜。用 webfetch/websearch 查 provider 官网的「模型列表/能力矩阵/function calling 支持情况」页面：
- 阿里云百炼：`https://help.aliyun.com/zh/model-studio/getting-started/models`
- 硅基流动：`https://docs.siliconflow.cn/cn/userguide/capabilities/text-generation`
- 智谱：`https://open.bigmodel.cn/dev/howuse/model`
- OpenAI / Gemini：查各自官方模型文档
确认候选模型在官方文档里**明确标注支持「图像输入」+「工具调用/function calling/tools」**。
**(d) 选出最终模型**
从通过 (c) 验证的候选里，按这个优先级选一个：
1. 同系列里版本号最新的（`qwen3-vl` > `qwen2.5-vl` > `qwen-vl`）
2. 参数量大的优先于小的（`-72b` > `-7b`），因为小 VL 模型经常不支持 tool calling
3. `max` / `plus` / `pro` 档优先于 `flash` / `lite`（除非我明确说要省钱的）
把你的选择和**判断依据**（拉到了哪些模型、查了哪个文档页、为什么选这个）告诉我。
⚠️ 如果候选里没有任何模型同时支持 vision + tool calling，停下来告诉我，让我换 provider 或换模型，不要硬配。
### Step 4：修改 opencode.json —— provider 配置
**关键：api-key 直接写在 `options.apiKey` 里，不要用 env 字段，不要碰环境变量。** `modalities` 必填。
第三方 provider 模板（OpenAI 兼容）：
```jsonc
{
"$schema": "https://opencode.ai/config.json",
"provider": {
"<provider名>": {
"npm": "@ai-sdk/openai-compatible",
"name": "<显示名>",
"options": {
"baseURL": "<baseURL>",
"apiKey": "<我给你的api-key>"
},
"models": {
"<Step 3 选定的模型ID>": {
"name": "<显示名>",
"modalities": {
"input": ["text", "image"],
"output": ["text"]
},
"limit": {
"context": <查文档得到的context>,
"output": 8192
}
}
}
}
}
}
```
内置 provider（OpenAI / Google）不需要 npm 和 baseURL，直接在 `models` 里加模型定义即可，api-key 按 opencode 内置方式配置（读对应环境变量；如果用户坚持内置 provider，问他是否愿意设该环境变量）。
- 如果 opencode.json 已有内容，**合并进去**，不要覆盖现有 provider。
- ⚠️ 提醒我：api-key 是明文存在配置文件里，别把这个文件提交到 git。
### Step 5：修改 oh-my-opencode-slim 配置 —— 启用 observer 并配模型
两件事：
1. `disabled_agents` 设为 `[]`（或确保不含 `observer`）
2. 在**当前 active preset** 的 observer 块里配置模型。preset 名读配置文件里的 `"preset"` 字段。
```jsonc
{
"disabled_agents": [],
"presets": {
"<当前preset名>": {
"observer": {
"model": "<provider名>/<Step 3 选定的模型ID>",
"temperature": 0.1
}
}
}
}
```
- 如果 observer 块已存在，只改 model 字段，不删其他配置。
- 如果文件是 `.json` 不是 `.jsonc`，改对应那个，且不能用注释。
### Step 6：测试
提示我**重启 opencode**（配置改动必须重启才生效）。
重启后，让我准备一张测试图放到临时路径：
- macOS / Linux：`/tmp/test-vision.png`（截一张图即可）
- Windows：`$env:TEMP\test-vision.png`
然后执行：
```
@observer 请用 read 工具读取并描述这张图片：<上面那个路径>
```
### Step 7：排查清单（测试失败时按顺序检查，每步报告结果）
1. **@observer 有反应吗？** 没反应 → `disabled_agents` 没清空，回 Step 5。
2. **observer 有没有尝试调用 read 工具？**
- 完全不调工具、只会说话 → 模型不支持 tool calling，回 Step 3 重新选（可能官方文档和你判断的不一致，换更高档的模型）。
- 这是最重要的检查项。
3. **read 工具返回 "Cannot read image (this model does not support image input)"？**
→ `modalities.input` 没含 `"image"`，回 Step 4。
4. **observer 报 "我无法访问文件路径"？**
→ 这是模型幻觉，不是真错。确认它有 read 工具权限，提醒它"用 read 工具读路径"。
5. **api-key 报 401/鉴权失败？** → 回 Step 4 检查 `options.apiKey`；也可能是 Step 3 的 /models 接口当时就该报 401，回去看那一步。
6. **模型返回乱码或拒绝？** → 可能模型 ID 拼错，对照 Step 3 拉到的列表重新核对。
## 完成后报告给我
- 当前操作系统、两个配置文件的完整路径
- 拉到的模型列表（视觉相关的几个）
- 查了哪个官方文档页、最终选了哪个模型、为什么（确认它同时支持 vision + tool calling + 是最新版）
- 贴出最终两个文件相关片段（api-key 用 `sk-***` 打码）
- 测试是否通过、observer 实际调用了哪些工具
- 给我一个以后使用的示例：`@observer ...`它会怎么引导你
把指令发出去后，它会按这个流程走（你照着回答就行）：
- 它会问你两个问题：
- 「视觉模型用哪一家？」→ 你回答，比如「阿里云百炼」
- 「API Key 是多少？」→ 你把第 4 步申请的 key 粘贴给它
- 它会自动去拉取这家服务商有哪些可用模型（联网调用接口）
- 它会判断哪些模型是「多模态（能看图）」+「支持 tool calling（能调用工具）」的——这两个条件缺一不可，因为 observer 要靠调用工具来读图片文件
- 它联网查官方文档确认后，自动选一个最合适的最新模型
- 它帮你改两个配置文件：把服务商加进去、把 observer 打开、配好模型
- 让你重启 OpenCode，然后测试——准备一张图，让它识别
整个过程你只需要回答两个问题，其余全自动。
为什么不直接写死一个模型，而要让它联网去查
因为模型更新太快了——今天最好的视觉模型，半年后可能就过时了。让 AI 每次都实时去拉取模型列表 + 查文档判断，是为了让这段指令将来也能用，不管哪个厂商出了新模型，它都能自己找到最合适的。这是「面向未来」的设计。当然，代价是配置时多花一两分钟联网查询。
6. 小技巧：看清楚 AI 到底在干什么
配置过程中，AI 会联网、会调接口、会改文件，可能你只看到界面一直显示「思考中」，不知道它在干嘛，干等得心慌。
打开这两个开关，就能看见它的全部动作：
- 点 OpenCode 的设置（齿轮图标）
- 找到**「显示推理摘要」**，打开 —— 你能看到它的思考过程
- 找到**「显示 shell 工具」**（执行终端脚本），打开 —— 你能看到它跑了哪些命令、调了什么接口
打开之后，它执行的每一步你都能看得清清楚楚，不再是「黑箱」里干等。
💡 这两个开关平时也建议开着，尤其让 AI 跑脚本、装东西的时候，能看到它在干啥，心里有底。
7. 重启并测试
AI 改完配置后，会让你重启 OpenCode（配置改动必须重启才生效）。关掉重开就行。
然后新开一个会话，测试一下：
- 随便复制一张图片（截图、网上的图都行）
- 粘贴发给 DeepSeek，让它「分析一下这张图片」
如果配置成功，你会看到：DeepSeek（依然是那个便宜的文本模型）遇到图片后，会自动调用 observer 子代理去识别，然后把图片内容告诉你——等于 DeepSeek「长眼睛」了。
⚠️ 注意一个已知的小坑：直接把图片拖进对话框发给 @observer 有时不生效（这是 opencode 的一个已知 bug，会把图片附件丢掉）。如果遇到这种情况，改成把图片存成文件，告诉它路径让它读，就稳了。正常粘贴给 DeepSeek 主会话、让它自动调度 observer，是没问题的。
8. 这能给你带来什么
配好之后，DeepSeek 在这些场景下会「变聪明」很多：
- 写前端代码时：让 AI 做完界面后截图自查，看看显示对不对、布局有没有错位——它能自己看了
- 遇到报错时：懒得手敲那一长串错误信息？直接截图发它，它看图就能帮你分析
- 看设计稿/界面图：发一张设计图让它照着做，它能看懂图里的内容
简单说，就是给原本只能读文字的 AI，配了一双能看图的眼睛。
9. 补充：也可以直接指定模型（更快）
上面那段指令是让 AI 联网自动查找最合适的模型，好处是将来模型更新也能用，坏处是配置时要等它联网查一两分钟。
如果你已经知道自己要用哪个模型（比如阿里云百炼的某个视觉模型），可以在回答它问题时直接告诉它，比如：
「阿里云百炼，用
qwen3-vl-plus这个模型，API Key 是 sk-xxx」
这样它就跳过联网查找，直接配，几秒钟搞定。适合你已经熟悉某个平台、知道哪个模型好的情况。
10. 常见问题与避坑
10.1 oh-my-opencode-slim 插件死活装不上怎么办？
这是群里被问得最多的情况之一。如果插件怎么都装不成功（网络、权限、环境各种原因），不要卡在这里。
直接去学第23课，用 Vision MCP 方案给 AI 加识图能力。MCP 方案不依赖任何插件，任何支持 MCP 的 AI 工具都能用，效果和第22课一样。
💡 两门课是并列关系，不是递进关系。第22课用插件里的 observer 子代理，第23课用 MCP 工具，二选一即可。哪个能跑通就用哪个。
10.2 粘贴图片后 DeepSeek 没反应，或者提示看不了？
正常流程下，你把图片粘贴到 DeepSeek 主会话，它会自动调度 observer 去读图。但有时候会失败，常见原因：
| 现象 | 原因 | 解决办法 |
|---|---|---|
| 粘贴后 DeepSeek 说「我无法识别图片」 | observer 没配好，或者 disabled_agents 没清空 | 按第7节排查清单检查 |
| 粘贴后完全没调用 observer | opencode 有时会把图片附件丢掉（已知 bug） | 把图片保存成文件，给路径让它读，最稳 |
| 多模态模型直接粘贴可以，DeepSeek 不行 | DeepSeek 本身纯文本，必须靠 observer 间接读图 | 正常现象，确认 observer 配置正确 |
最稳妥的用法：截图保存到临时路径（如 /tmp/test.png 或 D:\temp\test.png），然后对 DeepSeek 说：
「请让 observer 读取这个路径的图片并描述：/tmp/test.png」
10.3 阿里云百炼和硅基流动有区别吗？
流程上没有本质区别，都是申请 API Key → 选视觉模型 → 填进配置。只是接口 baseURL 不同：
- 阿里云百炼：
https://dashscope.aliyuncs.com/compatible-mode/v1 - 硅基流动：
https://api.siliconflow.cn/v1
新手推荐阿里云百炼，因为文档比较全、qwen-vl 系列视觉模型成熟。硅基流动价格便宜，但开源模型多，选模型时要更注意是否同时支持 vision + tool calling。
10.4 怎么确认 observer 真的被启用了？
配置完重启 OpenCode 后，在会话里输入：
@observer 你好如果它回应了，说明 observer 已经注册成功。如果提示「没有 @observer 这个代理」或没反应，说明 disabled_agents 里还禁着它，回 Step 5 检查配置文件。
11. 这个插件在哪些工具里能用
oh-my-opencode-slim 这个插件，根据它的文档，在 Claude Code 和 OpenCode 里都可以用。也就是说，上面这套「给 DeepSeek 配识图子代理」的方法，在这两个工具里都适用。
12. 下节预告：更通用的 MCP 方式
这节课的方法依赖 oh-my-opencode-slim 插件（用了它内置的 observer 子代理）。
下一节，我们会讲一个更通用的办法——配置一个 MCP。
MCP 的好处是：任何 AI 工具都能用，不管你用的是 Claude Code、OpenCode，还是别的——只要支持 MCP，就能加上这个「看图」能力。比子代理的方式适用面更广。
我们下节课见。
关键收获
TIP
DeepSeek 是纯文本模型，看不了图。不想换模型的话，用 oh-my-opencode-slim 插件里的 observer 子代理给它配一个「识图助手」：先去阿里云百炼/硅基流动等平台申请一个视觉模型的 API Key，然后复制本课第 5 节那段现成指令粘贴给 AI，它会自动引导你完成全部配置（拉取模型、判断哪个能看图且支持工具调用、改配置、测试）。配好后 DeepSeek 遇到图片会自动叫识图子代理帮忙看。配置时记得打开「显示推理摘要」和「显示 shell 工具」开关，看清 AI 在干什么。
更多课程：课程大纲