视觉模型路由chang416/deepsee

DeepSee

让 DeepSeek 看得见，也知道该用哪个模型。

English ·
故障排查 ·
配置 ·
输出契约 ·
安全

DeepSee 把 DeepSeek Harness 变成一个能看图、能换模型、还能自动分工的开发工作区。Gemini 负责视觉，DeepSeek 负责全部代码。你可以直接选 Flash 或 Pro，也可以交给 Auto／Customize 按成本与难度自动分配。截图可直接贴进纯文本 DeepSeek，会在交付前检查实际画面。

npx -y @deepseek-ai/dsh plugin --profile web add @chang416/deepsee@latest

装完用 dsh plugin --profile web list 确认真正装到的版本。pnpm v11 会隔离最近几天发布的版本，可能改装一个更旧的版本却照样报成功，排障文档里有一行解法。

打开 DeepSee Settings，一行一把加入免费的 Gemini Key，并设置 Flash／Pro 分工、预览网址与视觉检查次数。

DeepSee 如何结合 Gemini 视觉与 DeepSeek 模型路由

亮点

DeepSee 不只让 DeepSeek 看见，也把它变成一支原生协作团队。 模型选择器保留直接使用 V4 Flash 与 V4 Pro，并新增两种编排模式：

- DeepSee Auto 内置省额度优先的最佳分工：检索、文档、测试、小改动与明确的修复交给 Flash；架构、安全、跨模块重构、整合与最终审查交给 Pro。可独立的子任务会并行执行，再由协调模型统一整合。
- DeepSee Customize 可逐项决定每类工作交给 Flash 或 Pro。第一次选择时会直接打开 Harness 里的 DeepSee Settings，不必手动编辑 JSON。
- 交付前会自己看。 做 UI 时，DeepSeek 会在重要里程碑与最终交付前开启本机预览，请 Gemini 严格检查真实画面。Gemini 只会给出 PASS，或指出画面位置与必须修正的问题；DeepSeek 会在可设置的免费额度保护次数内修正再检查，不再把视觉错误留给用户验收时才发现。
- 写代码的始终是 DeepSeek。 Gemini 只负责读图；开发工作会沿用用户已有的 DeepSeek 路线，包括官方 API、OpenCode 的 deepseek-v4-flash-free，以及 OpenCode Go 的 deepseek-v4-flash／deepseek-v4-pro。
- Gemini 免费 Key 可放多把。 一行一把，自动去重；遇到认证、额度或限流问题会换下一把。浏览器只会看到数量，绝不会把已保存的 Key 读回来。

一次安装即可加入原生 read_image 视觉桥、DeepSee Auto／Customize、Gemini 多 Key 轮换、OpenCode／OpenCode Go 路由，以及交付前的 deepsee_visual_check。若 dsh 提示 declares no dsh.bundle，请看故障排查。

DeepSeek Harness 粘贴识图有两种玩法。

① 直接粘贴 贴进来的图片自主转换成文件路径进输入框（与 OpenCode、Pi 同款交互），read_image 工具接手读图。

② 切到带 (deepsee vision) 后缀的模型变体（选择器有记忆，选一次就行）再粘贴：缩略图直接可见、所见即所得，体验更接近 Codex App。变体由插件自动发现生成：每条承载纯文本 DeepSeek 或 GLM 模型的 provider 路由各得一组包装条目（默认安装下就是 DeepSeek-V4-Flash (deepsee vision) 和 DeepSeek-V4-Pro (deepsee vision)，装了 opencode-go、zai 等额外路由的机器会各自多出一组），两家自己的视觉型号自动排除。走哪条通路由 host 依据真实模型元数据逐个裁决：只有被元数据确认纯文本的模型才会被接管，确认不了的一律不动，视觉模型因此保留原生贴图（细节）。

直接粘贴图片，DeepSeek 就能使用。不用换掉编码模型，也不用手工转录。

- 原生且可移除。 在 dsh 里它是一个插件，在其他宿主里是一个 skill 文件夹，不需要本地代理进程；移除后宿主立即恢复原状。
- 零配置起手。 复用 Claude Code、Codex、OpenCode、Pi 已配置，直接复用你本机的其他多模态模型。什么都没有？Antigravity CLI 是免 key 的免费通道，配一个免费 Gemini key 可将识别耗时降至 5 到 10 秒。
- 基于证据而非想象。 全文转录、按阅读顺序划分的版面区块、实体与关系列表，模型引用的是具体内容。
- 一次安装，多端可用。 Claude Code、Codex、Pi、OpenCode 均经真机验证。

安装

第一步，交给你的 AI。 把这句话发给它：

按 https://github.com/chang416/deepsee 的 INSTALL.md 安装并配置 deepsee skill，完成后运行体检并把结果告诉我。

安装会先盘点你机器上已有的东西。Claude Code、Codex、OpenCode 或 Pi 里任何一个已有的登录态都可能就够了：deepsee 复用前一定先征得你同意，体检报告会说清现状。

第二步，只在体检两手空空时，才需要你配一个免费引擎。 推荐免费的 Gemini api key（到 Google AI Studio 领取，约三分钟，无需信用卡），配上后每次识别 5 到 10 秒。其他平台的免费 openai 兼容 key 也行。想完全免注册就装 Antigravity CLI，然后完成登录：

curl -fsSL https://antigravity.google/cli/install.sh | bash
agy                                                           # 浏览器完成登录后退出

安装还会盘点本机其他 harness CLI（Codex、OpenCode、Pi）里可触达的视觉能力，并逐个询问是否允许 deepsee 复用。获准的登录态与你自己配的引擎平级入池，每次复用都会在结果里标明花的是谁的额度。

DeepSeek Harness（dsh）用户不走 skill 流程，本包就是原生 dsh 插件：

npx -y @deepseek-ai/dsh plugin --profile web add @chang416/deepsee@latest

装完即有 read_image 工具，选「(deepsee vision)」模型变体即可直接粘贴识图。引擎配置同样在 ~/.deepsee，详见宿主接入。

用法

装好之后不需要记任何命令。正常聊天，粘贴图片或给出图片路径，提问即可，skill 自动触发：图片交给视觉引擎，答案基于读到的内容返回。

视觉引擎：五个内置 provider，四家可复用 CLI，一条故障转移链

DeepSee 不绑定任何单一视觉服务。视觉来源一共九个：五个内置 provider（配好任意一个就能用），加四家本机 agent CLI 的登录可以复用。先看内置的：

| Provider          | 需要什么                                                                 | 单次识别耗时 | 适合谁                 |
| :---------------- | :----------------------------------------------------------------------- | :----------- | :--------------------- |
| gemini-api      | 免费 Gemini key（三分钟领取，无需信用卡） | 5-10 秒      | 推荐默认               |
| openai          | 任意 OpenAI 兼容端点（key + baseUrl + model）                            | 5-10 秒      | qwen-vl、GLM、自建网关 |
| anthropic       | Anthropic API key                                                        | 5-10 秒      | 手上已有 key 的机器    |
| antigravity-cli | 免费的 agy CLI，浏览器登录一次，无需 key                               | 15-45 秒     | 完全免注册起步         |
| claude-cli      | 已登录的 Claude Code                                                     | 20-45 秒     | 复用现有 Claude 订阅   |

不钉死 provider 时，所有配好的引擎组成一条故障转移链：API 快车道先试，agent CLI 兜底，第一个可用结果胜出，meta.attempts 记录每次尝试，回退永远不是无声的。

openai 是万能接口，不只是 OpenAI

任何讲 OpenAI chat-completions 协议、支持图片输入的端点都能直接插上，这基本覆盖了视觉模型的大半个世界：

deepsee config set openai.baseUrl https://dashscope.aliyuncs.com/compatible-mode/v1   # qwen-vl
deepsee config set openai.apiKey
deepsee config set openai.model   qwen3-vl-plus

同样三个键，换成 GLM 开放平台、SiliconFlow、OpenRouter、自建 vLLM/Ollama 或你自己的网关都一样。你常用的视觉模型只要有 OpenAI 兼容 API，DeepSee 就能驱动它。

复用你机器上已有的东西

还有两处现成的视觉能力，一个新 key 都不用配，每家都在你明确同意后才启用：

- 你正在对话的这个 harness 本身。在登录了订阅的 Claude Code 里用？claude-cli 开箱即可借它读图。装进哪个 harness，安装流程就会问哪个 harness 的授权。
- 机器上其他的 agent CLI。deepsee doctor 会逐个发现，你按家授权，它们与你自己的 key 平级入链，不插队。每次复用都在 meta.warnings 里标明花的是谁的额度，绝不无声扣费：

| 复用来源 | 需要什么                       | 授权命令                         | 走哪条道                                               |
| :------- | :----------------------------- | :------------------------------- | :----------------------------------------------------- |
| Codex    | 已登录且有视觉模型的 Codex CLI | config set reuse.codex true    | agent 通道，15-45 秒                                   |
| OpenCode | OpenCode 里配好的视觉模型      | config set reuse.opencode true | agent 通道，15-45 秒                                   |
| Pi       | Pi 持有的模型凭据              | config set reuse.pi true       | API key 直接升级到 5-10 秒的快车道，OAuth 驱动 Pi 本体 |
| Grok     | 已登录的 Grok CLI（SuperGrok） | config set reuse.grok true     | agent 通道，15-45 秒                                   |

选择与路由

两个旋钮：deepsee config set provider  表达偏好（链继续兜底），-p  钉死单个不回退。代理环境设 HTTPS_PROXY 或 deepsee config set proxy ，API provider 自动走代理。细节见 CLI 手册（默认模型与参数）、配置手册（全部配置键）、安全说明（远程 URL 由谁抓取）。

文档

| 文档                                                     | 适用场景                                   |
| :------------------------------------------------------- | :----------------------------------------- |
| 安装手册                                   | 一步步安装 skill（为 agent 编写）          |
| CLI 手册                            | skill 所驱动的 CLI：参数、配置与体检       |
| 故障排查                | 命令报错，查成因和解法                     |
| 配置手册 | 配置 key、切换 provider、排查配置          |
| 输出契约                  | 解析 JSON 或构建下游工具                   |
| 宿主接入                  | 在 Codex、Claude Code、Pi、OpenCode 中配置 |
| 安全说明                       | 恢复文件的权限、图片内容作为不可信输入     |
| 更新日志                                 | 查询版本变更                               |

参与方式

欢迎范围明确的 PR。请说明用户可见行为、补齐测试，并在提交前执行 pnpm lint、pnpm typecheck、pnpm test 与 pnpm build。

- 提交 issue。 bug、建议、难懂的报错和文档问题都欢迎。
- 阅读 CONTRIBUTING.md。安全问题请依 SECURITY.md 私下回报，不要公开贴出漏洞细节。

免责声明

本项目依下方 MIT 协议按现状提供。作者不对任何特定用途（含商业使用）提供保证或背书。上游引擎（Antigravity CLI，Gemini、OpenAI、Anthropic 的 API，以及任何 OpenAI 兼容端点）的使用受各自条款和额度约束，由使用者负责。

致谢

DeepSee 由 chang416 主导设计、开发与维护。早期探索仅少量参考过 MIT 授权的 ModLens，依法保留的版权声明见 LICENSE。DeepSee 的产品架构、Auto／Customize 编排、设置界面、Gemini 多 Key 轮换、OpenCode 感知路由与视觉自检循环均为 DeepSee 开发。

License

MIT