DeepSeek 怎么识别图片？用 Reasonix + GLM-4V-Flash 添加免费视觉能力

DeepSeek 本身没有直接处理图片时，一个比较灵活的办法并不是更换主模型，而是给 Agent 增加一个专门负责图片分析的工具。

这次使用的是 Reasonix + MCP/Skill + 智谱 GLM-4V-Flash。平时依然让 DeepSeek 负责对话和任务处理，只有遇到图片时，再调用视觉模型完成识别。

简单理解就是：

图片 → Reasonix → 视觉 MCP → GLM-4V-Flash → 识别结果 → DeepSeek

这样做最大的意义，是不用为了偶尔看一张图片，就把整个 Agent 换成多模态模型。

DeepSeek 识图是怎么实现的？

这里首先要说明一个容易误解的地方：

这并不是让 DeepSeek 模型本身获得了视觉能力。

真正负责看图的是智谱的 GLM-4V-Flash，Reasonix 负责在需要识图时调用对应的 MCP 工具，再把返回结果交给 DeepSeek。

智谱官方目前将 GLM-4V-Flash 定义为免费的图像理解模型，支持图片描述、图片分类、图像问答等能力。

Reasonix 本身则支持 MCP、Skill 等扩展方式，因此两者可以组合起来使用。

第一步：申请智谱 API Key

首先进入智谱 AI 开放平台，注册账号并创建 API Key。

然后找到视觉模型：

1

GLM-4V-Flash

这里需要特别注意，网上部分视频或文章可能会将名称写成 GLM-4.6V Flash 或 GM-4.6V Flash。

根据目前智谱官方文档，免费的视觉模型名称是：

1

GLM-4V-Flash

发布文章或配置代码时，建议直接以智谱当前官方文档中的模型 ID 为准，避免因为名称变化导致 API 调用失败。

第二步：让 Reasonix 封装视觉 MCP

准备好智谱 API Key 后，可以直接让 Reasonix 帮忙创建一个调用视觉模型的 MCP Server。

例如可以给它类似这样的需求：

1
2
3
4
5
6
7
8

帮我封装一个 MCP Server，用于调用智谱 GLM-4V-Flash 视觉模型。

要求：
1. API Key 通过环境变量读取，不要直接写入代码。
2. 支持传入本地图片。
3. 支持输入图片和文字问题。
4. 返回视觉模型的文本分析结果。
5. 完成后告诉我如何安装和测试。

相比直接把 API Key 写进提示词或代码里，我更建议让它通过环境变量或者 Reasonix 的配置文件读取。

尤其是后续准备把 Skill 上传到 GitHub 时，更不能把自己的 API Key 一起提交。

第三步：把 MCP 封装成 Skill

MCP 创建完成并测试能够正常调用后，还可以进一步整理成 Reasonix Skill。

这样以后不需要每次告诉 DeepSeek：

1

请调用 GLM-4V-Flash 分析这张图片

而是让 Agent 根据任务判断什么时候需要使用视觉工具。

例如上传一张图片后直接问：

1

图片上有什么内容。

如果 Skill 的调用规则设置正确，Reasonix 就可以把图片任务交给视觉 MCP，再将分析结果返回给 DeepSeek。

实际识别效果

这次测试使用的是普通场景图片。

识别结果能够描述出图片中的：

*图片是一张浅蓝色背景的 Windows 桌面截图，上面有 4 个图标：

*右上角：深色图标，文字" 拾光集 “（可能是应用或网页快捷方式） *中间偏上：Word 文档图标，新建 DOCX 文档.docx *中间偏下：Word 文档图标，新建 DOC 文档(2).doc *底部：红色三角形图标（类似 VS Code），7.23作业（专项练习三）… *整体是学习/办公场景，主要在处理文档和作业文件。需要我针对某个图标或文件进一步分析吗？

至少在这种简单的自然场景描述任务里，可以正常工作。

不过目前没有继续进行 OCR、小字体截图、复杂图表、UI 界面定位以及大量图片的对照测试，所以还不能据此判断它在所有视觉任务中的准确率。

如果主要用途是：

• 看截图；
• 描述照片；
• 识别简单页面；
• 辅助分析图片内容；

这种方案已经具备实际使用价值。

如果是精确 OCR、复杂表格或者需要像素级判断的任务，则建议单独测试后再决定是否长期使用。

为什么不直接换一个多模态模型？

如果日常工作的大部分任务都是代码和文本，只有偶尔需要识图，这种“主模型 + 视觉工具”的方式其实更灵活。

DeepSeek 继续负责：

1
2
3
4
5
6
7

代码
↓
推理
↓
任务规划
↓
文字处理

碰到图片才调用：

1

GLM-4V-Flash

这样视觉模型更像是 DeepSeek 的一个外部工具，而不是替换 DeepSeek。

对于 Agent 来说，这种架构也比较常见：

1
2
3
4
5
6

DeepSeek
├── 文件工具
├── 浏览器工具
├── 搜索工具
├── 数据库工具
└── GLM-4V-Flash 视觉工具

需要什么能力，再调用什么工具。

使用前需要注意什么？

API Key 不要直接写入 Skill

这是最重要的一点。

不要把下面这种内容直接保存在公开代码中：

1

API_KEY=你的真实Key

应该使用环境变量或本地配置文件，并确保相关文件没有提交到 GitHub。

“免费”不代表永久没有限制

智谱官方目前将 GLM-4V-Flash 标记为免费视觉模型，但免费政策、调用频率以及模型名称以后都可能调整。

因此实际使用前建议重新查看官方文档，而不是长期依赖旧教程里的价格说明。

图片实际上会发送给第三方

使用这种方案后，需要识别的图片会提交给视觉模型服务商处理。

如果图片包含：

• 客户资料；
• 公司内部文件；
• 身份信息；
• API Key；
• 密码；
• 未公开代码或业务数据；

不要在没有确认隐私要求的情况下直接上传。

是否值得给 DeepSeek 添加这个识图 Skill？

如果你正在使用 Reasonix + DeepSeek，同时又经常碰到截图、照片或者简单的图片分析任务，这种方案值得尝试。

它真正解决的问题并不是“让 DeepSeek 变成多模态模型”，而是：

给 DeepSeek Agent 增加一个可以随时调用的视觉工具。

文本和代码继续交给 DeepSeek，图片交给 GLM-4V-Flash，Reasonix 负责把两边连接起来。

从这次简单场景图片测试来看，这条调用链能够正常完成基本图片描述。不过复杂截图、OCR、图表理解等能力还有必要进一步测试。

总结

DeepSeek 没有直接识图能力，并不意味着 Agent 就一定不能处理图片。

借助 Reasonix + MCP/Skill + GLM-4V-Flash，可以把视觉模型作为一个外部工具，在需要处理图片时自动调用。

这种方式最大的优势不是“给模型升级”，而是把不同模型擅长的能力组合起来。

对于已经在 Reasonix 中使用 DeepSeek，又只是偶尔需要识图的人来说，比为了视觉能力完全更换主模型更灵活。