DeepSeek Harness 入门阶段最容易卡住的地方是给这个 AI 工具接上一双眼睛主模型默认只处理文本遇到报错截图、设计稿、测试失败图时模型只会说“我看不到图片”。想给 AI 配好识图能力需要把三样东西组合起来DeepSeek Harness 作为调度外壳ModLens 插件作为视觉入口GLM-5.3 Flash 这类轻量多模态模型作为实际读懂图片内容的视觉引擎。下面会从零开始完成安装 DeepSeek Harness、接入主模型、安装 ModLens 插件、配置视觉密钥、跑通一张图片的完整识别流程并整理识图失败时最值得检查的排查链路。学完之后你可以把截图自动诊断、UI 视觉检查和图片内容提取这类能力接进自己的 Agent 工作流。1. 先分清三个角色Harness 是调度外壳ModLens 是眼睛GLM-5.3 Flash 是视觉神经1.1 DeepSeek Harness 负责什么为什么它不直接识图DeepSeek Harness 是一个以 DeepSeek 模型为核心的本地 Agent Harness 工具它负责把模型 API、插件、会话上下文、工具调用组织成一条可执行链路。可以把 Harness 理解成“大脑的外壳”它决定主模型什么时候发言、什么时候调用工具、工具返回结果后如何继续推理。很多初学者会误以为 Harness 本身具备图片理解能力实际上 Harness 只是调度层。能不能识图取决于两个条件主模型是否支持多模态输入或者是否有插件能把图片转换成主模型能理解的文本。这里要澄清一个容易混淆的概念Harness 和 Agent 不是一回事。Agent 更强调自主决策模型自己决定下一步做什么Harness 更强调工程化编排把模型调用、插件、工具、重试、日志这些环节管理起来。在 DeepSeek Harness 的场景里识图能力是一个典型插件能力而不是 Harness 的核心职责。理解这一点后面配置报错时才能快速定位问题出在 Harness、插件还是视觉模型。1.2 ModLens 插件图片怎么变成主模型能看懂的文本ModLens 是一个负责“视觉入口”的插件。它做的事情可以概括为一句话把图片从视觉世界翻译成文本世界。当你给 Agent 一个图片路径或图片 URL 时ModLens 会拦截这个输入读取图片内容调用视觉模型生成描述文本再把这段文本拼进对话消息里让 DeepSeek 主模型基于这段文本继续推理。这里要理解 ModLens 的设计动机。直接让文本主模型处理图片二进制是行不通的不仅浪费 tokens效果也很差。ModLens 的做法是增加一个翻译层图片路径/URL - ModLens 读取图片 - 调用视觉模型 - 生成文本描述 - 回填主模型会话 - 主模型继续推理这个设计让主模型不需要具备多模态能力也能理解图片内容代价是“看到”的是经过视觉模型转述的内容而不是原始像素。对报错截图、界面截图、文档截图这类场景转述粒度完全够用。1.3 为什么用 GLM-5.3 Flash 这类轻量多模态模型GLM-5.3 Flash 在当前接入场景里充当视觉理解引擎。选它而不是选一个重型多模态大模型核心理由是 Agent 循环里的识图调用非常频繁轻量模型在响应速度、调用成本、上下文占用上更适合这种高频小任务。需要注意的是模型名称、接口地址、计费方式都可能随供应商调整。落地前先用一个最简单的请求确认当前支持的模型名、版本和视觉接口参数。下面示例用于说明思路实际项目要结合自己的模型名、base_url 和密钥调整。三个组件的角色可以汇总成一张表组件在识图链路中的角色核心职责需要准备什么DeepSeek Harness调度层会话、插件、模型调用、工具执行本地运行环境、DeepSeek API KeyModLens 插件视觉入口拦截图片输入调用视觉模型回填文本描述插件安装、视觉密钥GLM-5.3 Flash视觉理解层把像素内容转成文本视觉模型 API 地址、模型名、密钥这三个组件可以分别替换Harness 可以换别的工具ModLens 可以换其他视觉插件GLM-5.3 Flash 可以换成任何支持图片输入的视觉模型。理解这个分层后面配置才不会把自己锁死在某一个固定组合上。2. 环境准备与基础安装先把 DeepSeek Harness 跑起来2.1 环境要求和检查命令在安装之前先确认本机环境满足最低要求。视觉模型调用走的是远程 API本地不需要 GPU也不需要下载大模型权重这对没有独立显卡的开发机比较友好。依赖最低要求检查命令Node.js18 或更高node -vpnpm8 或更高pnpm -vGit任意可用版本git --version网络可访问 DeepSeek API 和视觉模型 APIcurl -I 你的API地址如果node -v版本偏低先升级 Node.js 再继续。pnpm 版本过低会直接导致后面安装卡住这是常见坑之一。2.2 安装 DeepSeek Harness 并解决卡在 pnpm dsh web 的问题以命令行方式安装为例git clone 仓库地址 deepseek-harness cd deepseek-harness pnpm install pnpm dsh web仓库地址以你准备使用的版本为准。如果工具同时提供桌面版和 CLI 版建议先安装 CLI 版跑通流程再考虑图形界面。实际安装中最常见的现象是执行pnpm dsh web后长时间卡住不动。出现这个问题时按下面的顺序排查pnpm -v # 检查 pnpm 版本 corepack enable # 或升级 Node 后重新安装 pnpm pnpm install pnpm build pnpm dsh web前端构建内存不足也会导致卡住可以显式提高 Node 内存上限NODE_OPTIONS--max-old-space-size4096 pnpm build检查点启动后浏览器能打开本地端口命令行里执行dsh status不报错。如果端口被占用先找到占用进程再重启。2.3 配置 DeepSeek 主模型 API Key在项目根目录创建.env文件写入主模型密钥DEEPSEEK_API_KEYsk-你的主模型密钥 DEEPSEEK_BASE_URLhttps://api.deepseek.com/v1 DEEPSEEK_MODELdeepseek-chatDEEPSEEK_BASE_URL一般不需要改动如果通过本地代理转发请求可以改成代理地址。.env文件务必加入.gitignore避免密钥泄漏。2.4 先跑通纯文本对话再谈识图识图配置前先验证主模型链路是通的dsh chat 用一句话说明 TCP 三次握手预期输出模型正常返回一段解释。如果这一步失败先不要往下配 ModLens因为问题几乎都在密钥、网络或模型名上。检查顺序是API Key 是否正确、base_url 是否可达、模型名是否在供应商列表里、本地代理是否干扰了请求。注意不要只验证命令能执行要看返回内容是否来自目标模型。如果返回的是本地错误信息或代理错误页说明请求根本没有到达模型服务。3. 安装并启用 ModLens 插件给 Harness 增加视觉入口3.1 安装插件并确认被识别先通过命令行安装dsh plugin add modlens dsh plugin list如果当前工具没有插件市场也可以把 modlens 插件目录放进~/.harness/plugins/或项目plugins/目录再执行dsh plugin list确认识别情况。具体目录以版本为准。预期输出modlens 出现在插件列表中状态为 disabled。此时还没有真正启用只是安装完成。3.2 注册插件并配置视觉参数在 Harness 配置文件例如~/.harness/config.yaml中启用插件并填写视觉模型相关配置plugins: - name: modlens enabled: true vision: provider: glm model: glm-5.3-flash api_key_env: MODLENS_VISION_API_KEY base_url: https://vision-provider.example.com/v1 timeout: 30 max_image_size: 2048 temperature: 0.2这里有几个关键点api_key_env指向环境变量名不要直接在配置文件里写明文密钥。base_url需要按实际使用的视觉模型服务地址调整。如果服务兼容 OpenAI 风格的/v1接口直接填对应的 base_url 即可。model字段要和供应商实际支持的模型名一致写法不同会导致 400 或 404。3.3 视觉密钥为什么要单独配置所谓“ModLens 使用视觉密钥”是指 ModLens 调用 GLM-5.3 Flash 视觉接口时使用独立的MODLENS_VISION_API_KEY而不是复用 DeepSeek 主模型的密钥。单独配置的好处权限隔离视觉密钥只能访问视觉模型即使泄漏也不会影响主模型调用。配额独立视觉请求和文本请求分别计量便于统计成本。便于轮换密钥过期或需要更换时只需要改视觉密钥。审计清晰日志里能区分哪次调用来自主模型哪次来自视觉插件。设置方法export MODLENS_VISION_API_KEY你的视觉模型密钥如果工具提供dsh doctor命令可以执行一次健康检查没有的话用dsh plugin list加日志查看密钥是否成功读入。3.4 识图相关参数速查参数含义建议值调大影响调小影响model视觉模型名以供应商为准更强但更慢更贵更快但精度下降timeout单次视觉请求超时30 秒容忍慢请求更容易超时报错max_image_size图片最长边像素2048保留更多细节省流量但可能丢细节temperature生成描述随机性0.2描述更发散更稳定但可能机械temperature是很容易被忽略的参数。识图任务需要稳定输出建议保持在 0.2 左右如果模型描述总是遗漏内容可以尝试调低到 0.1而不是调高。3.5 确认插件真正加载执行dsh plugin list dsh log tail --plugin modlens预期结果插件状态为 enabled日志中出现类似modlens initialized的关键字启动时没有密钥缺失告警。如果日志里出现MODLENS_VISION_API_KEY is not set说明环境变量没被进程读取。检查是否在同一终端里执行了 export或者.env是否被 Harness 自动加载。4. 用最小案例跑通识图一张报错截图走完全链路4.1 准备一张测试图mkdir -p ~/harness-test # 把一张带文字的截图放到该目录例如 error.png file ~/harness-test/error.png ls -lh ~/harness-test/error.png推荐使用带文字的报错截图作为第一张测试图因为文字内容容易验证识别是否准确。图片不要太大先控制在 1MB 以内避免请求体超限。4.2 用一条命令发起识图dsh run 请分析 /Users/me/harness-test/error.png 这张图片逐字输出其中的错误提示并说明可能原因ModLens 插件会拦截包含图片路径的消息读取图片并调用 GLM-5.3 Flash 生成描述再把描述交给 DeepSeek 主模型处理。4.3 预期结果正常情况返回图片中的错误文案能结合上下文给出可能原因日志里出现一次视觉模型的成功请求状态码 200异常情况现象说明模型回答“我看不到图片”插件没有成功拦截图片输入返回 400模型名或消息格式不对返回 401视觉密钥有问题返回 404base_url 或接口路径不对4.4 从命令行到 API 格式识图请求的内部样子如果 Harness 暴露兼容 OpenAI 风格的接口最终发给视觉模型的请求大致是这样的{ model: glm-5.3-flash, messages: [ { role: user, content: [ {type: text, text: 请分析这张截图的错误信息}, {type: image_url, image_url: {url: data:image/png;base64,....}} ] } ], temperature: 0.2 }本地图片会被 ModLens 转成 base64 data URL远程图片可以直接放 URL。如果你在日志里看到类似结构说明插件已经把图片正确编码并发送给了视觉模型。4.5 放进工作流让 Agent 截图后自动诊断dsh run 先在浏览器打开本地测试页面截图保存到 /tmp/ui-error.png再用识图能力分析弹窗里的错误并给出修复代码这里的关键是让 Harness 把“截图工具”和“ModLens 识图”串成一条工具链。第一次跑完整链路时建议分两步执行先截图确认文件生成再识图分析。一次跑完整链路如果失败很难判断是截图问题还是识图问题。5. 配置背后的原理图片是怎么变成主模型推理依据的5.1 ModLens 的完整调用链路按顺序拆解一次识图请求用户消息包含图片路径或图片 URL。ModLens 校验图片是否存在、大小是否超限。本地图片转 base64远程图片保留 URL。ModLens 构造多模态消息调用 GLM-5.3 Flash。视觉模型返回描述文本。ModLens 把描述文本作为工具结果回填到主模型会话。DeepSeek 主模型基于文本继续推理并回复。这个链路决定了几个工程取舍视觉调用失败时主模型得不到任何图片信息描述文本越长主模型消耗 tokens 越多图片预处理越差描述越不准确。5.2 三种密钥和地址别搞混配置项用途环境变量示例配错的表现DEEPSEEK_API_KEY调用 DeepSeek 主模型DEEPSEEK_API_KEY文本对话直接 401MODLENS_VISION_API_KEYModLens 调用视觉模型MODLENS_VISION_API_KEY识图 401文本对话正常vision.base_url视觉模型服务地址配置文件里的 base_url识图 404 或连接失败一个典型场景是纯文本对话正常但识图时报 401。先不要怀疑主模型密钥优先检查视觉密钥是否配置、是否正确读入。5.3 为什么识图逻辑不写死到主模型里三个原因决定了插件加轻量视觉模型的方案更合理成本视觉请求通常按图片和 token 计费频繁把图片塞给主模型不划算。延迟纯文本推理比图像理解快得多Agent 循环里每多一次慢调用整个任务耗时都会被拉长。可替换性插件方式让视觉模型可以独立升级、替换、灰度不影响主模型配置。5.
DeepSeek Harness 接入 ModLens 与 GLM-5.3 Flash 实现图片识别指南
DeepSeek Harness 入门阶段最容易卡住的地方是给这个 AI 工具接上一双眼睛主模型默认只处理文本遇到报错截图、设计稿、测试失败图时模型只会说“我看不到图片”。想给 AI 配好识图能力需要把三样东西组合起来DeepSeek Harness 作为调度外壳ModLens 插件作为视觉入口GLM-5.3 Flash 这类轻量多模态模型作为实际读懂图片内容的视觉引擎。下面会从零开始完成安装 DeepSeek Harness、接入主模型、安装 ModLens 插件、配置视觉密钥、跑通一张图片的完整识别流程并整理识图失败时最值得检查的排查链路。学完之后你可以把截图自动诊断、UI 视觉检查和图片内容提取这类能力接进自己的 Agent 工作流。1. 先分清三个角色Harness 是调度外壳ModLens 是眼睛GLM-5.3 Flash 是视觉神经1.1 DeepSeek Harness 负责什么为什么它不直接识图DeepSeek Harness 是一个以 DeepSeek 模型为核心的本地 Agent Harness 工具它负责把模型 API、插件、会话上下文、工具调用组织成一条可执行链路。可以把 Harness 理解成“大脑的外壳”它决定主模型什么时候发言、什么时候调用工具、工具返回结果后如何继续推理。很多初学者会误以为 Harness 本身具备图片理解能力实际上 Harness 只是调度层。能不能识图取决于两个条件主模型是否支持多模态输入或者是否有插件能把图片转换成主模型能理解的文本。这里要澄清一个容易混淆的概念Harness 和 Agent 不是一回事。Agent 更强调自主决策模型自己决定下一步做什么Harness 更强调工程化编排把模型调用、插件、工具、重试、日志这些环节管理起来。在 DeepSeek Harness 的场景里识图能力是一个典型插件能力而不是 Harness 的核心职责。理解这一点后面配置报错时才能快速定位问题出在 Harness、插件还是视觉模型。1.2 ModLens 插件图片怎么变成主模型能看懂的文本ModLens 是一个负责“视觉入口”的插件。它做的事情可以概括为一句话把图片从视觉世界翻译成文本世界。当你给 Agent 一个图片路径或图片 URL 时ModLens 会拦截这个输入读取图片内容调用视觉模型生成描述文本再把这段文本拼进对话消息里让 DeepSeek 主模型基于这段文本继续推理。这里要理解 ModLens 的设计动机。直接让文本主模型处理图片二进制是行不通的不仅浪费 tokens效果也很差。ModLens 的做法是增加一个翻译层图片路径/URL - ModLens 读取图片 - 调用视觉模型 - 生成文本描述 - 回填主模型会话 - 主模型继续推理这个设计让主模型不需要具备多模态能力也能理解图片内容代价是“看到”的是经过视觉模型转述的内容而不是原始像素。对报错截图、界面截图、文档截图这类场景转述粒度完全够用。1.3 为什么用 GLM-5.3 Flash 这类轻量多模态模型GLM-5.3 Flash 在当前接入场景里充当视觉理解引擎。选它而不是选一个重型多模态大模型核心理由是 Agent 循环里的识图调用非常频繁轻量模型在响应速度、调用成本、上下文占用上更适合这种高频小任务。需要注意的是模型名称、接口地址、计费方式都可能随供应商调整。落地前先用一个最简单的请求确认当前支持的模型名、版本和视觉接口参数。下面示例用于说明思路实际项目要结合自己的模型名、base_url 和密钥调整。三个组件的角色可以汇总成一张表组件在识图链路中的角色核心职责需要准备什么DeepSeek Harness调度层会话、插件、模型调用、工具执行本地运行环境、DeepSeek API KeyModLens 插件视觉入口拦截图片输入调用视觉模型回填文本描述插件安装、视觉密钥GLM-5.3 Flash视觉理解层把像素内容转成文本视觉模型 API 地址、模型名、密钥这三个组件可以分别替换Harness 可以换别的工具ModLens 可以换其他视觉插件GLM-5.3 Flash 可以换成任何支持图片输入的视觉模型。理解这个分层后面配置才不会把自己锁死在某一个固定组合上。2. 环境准备与基础安装先把 DeepSeek Harness 跑起来2.1 环境要求和检查命令在安装之前先确认本机环境满足最低要求。视觉模型调用走的是远程 API本地不需要 GPU也不需要下载大模型权重这对没有独立显卡的开发机比较友好。依赖最低要求检查命令Node.js18 或更高node -vpnpm8 或更高pnpm -vGit任意可用版本git --version网络可访问 DeepSeek API 和视觉模型 APIcurl -I 你的API地址如果node -v版本偏低先升级 Node.js 再继续。pnpm 版本过低会直接导致后面安装卡住这是常见坑之一。2.2 安装 DeepSeek Harness 并解决卡在 pnpm dsh web 的问题以命令行方式安装为例git clone 仓库地址 deepseek-harness cd deepseek-harness pnpm install pnpm dsh web仓库地址以你准备使用的版本为准。如果工具同时提供桌面版和 CLI 版建议先安装 CLI 版跑通流程再考虑图形界面。实际安装中最常见的现象是执行pnpm dsh web后长时间卡住不动。出现这个问题时按下面的顺序排查pnpm -v # 检查 pnpm 版本 corepack enable # 或升级 Node 后重新安装 pnpm pnpm install pnpm build pnpm dsh web前端构建内存不足也会导致卡住可以显式提高 Node 内存上限NODE_OPTIONS--max-old-space-size4096 pnpm build检查点启动后浏览器能打开本地端口命令行里执行dsh status不报错。如果端口被占用先找到占用进程再重启。2.3 配置 DeepSeek 主模型 API Key在项目根目录创建.env文件写入主模型密钥DEEPSEEK_API_KEYsk-你的主模型密钥 DEEPSEEK_BASE_URLhttps://api.deepseek.com/v1 DEEPSEEK_MODELdeepseek-chatDEEPSEEK_BASE_URL一般不需要改动如果通过本地代理转发请求可以改成代理地址。.env文件务必加入.gitignore避免密钥泄漏。2.4 先跑通纯文本对话再谈识图识图配置前先验证主模型链路是通的dsh chat 用一句话说明 TCP 三次握手预期输出模型正常返回一段解释。如果这一步失败先不要往下配 ModLens因为问题几乎都在密钥、网络或模型名上。检查顺序是API Key 是否正确、base_url 是否可达、模型名是否在供应商列表里、本地代理是否干扰了请求。注意不要只验证命令能执行要看返回内容是否来自目标模型。如果返回的是本地错误信息或代理错误页说明请求根本没有到达模型服务。3. 安装并启用 ModLens 插件给 Harness 增加视觉入口3.1 安装插件并确认被识别先通过命令行安装dsh plugin add modlens dsh plugin list如果当前工具没有插件市场也可以把 modlens 插件目录放进~/.harness/plugins/或项目plugins/目录再执行dsh plugin list确认识别情况。具体目录以版本为准。预期输出modlens 出现在插件列表中状态为 disabled。此时还没有真正启用只是安装完成。3.2 注册插件并配置视觉参数在 Harness 配置文件例如~/.harness/config.yaml中启用插件并填写视觉模型相关配置plugins: - name: modlens enabled: true vision: provider: glm model: glm-5.3-flash api_key_env: MODLENS_VISION_API_KEY base_url: https://vision-provider.example.com/v1 timeout: 30 max_image_size: 2048 temperature: 0.2这里有几个关键点api_key_env指向环境变量名不要直接在配置文件里写明文密钥。base_url需要按实际使用的视觉模型服务地址调整。如果服务兼容 OpenAI 风格的/v1接口直接填对应的 base_url 即可。model字段要和供应商实际支持的模型名一致写法不同会导致 400 或 404。3.3 视觉密钥为什么要单独配置所谓“ModLens 使用视觉密钥”是指 ModLens 调用 GLM-5.3 Flash 视觉接口时使用独立的MODLENS_VISION_API_KEY而不是复用 DeepSeek 主模型的密钥。单独配置的好处权限隔离视觉密钥只能访问视觉模型即使泄漏也不会影响主模型调用。配额独立视觉请求和文本请求分别计量便于统计成本。便于轮换密钥过期或需要更换时只需要改视觉密钥。审计清晰日志里能区分哪次调用来自主模型哪次来自视觉插件。设置方法export MODLENS_VISION_API_KEY你的视觉模型密钥如果工具提供dsh doctor命令可以执行一次健康检查没有的话用dsh plugin list加日志查看密钥是否成功读入。3.4 识图相关参数速查参数含义建议值调大影响调小影响model视觉模型名以供应商为准更强但更慢更贵更快但精度下降timeout单次视觉请求超时30 秒容忍慢请求更容易超时报错max_image_size图片最长边像素2048保留更多细节省流量但可能丢细节temperature生成描述随机性0.2描述更发散更稳定但可能机械temperature是很容易被忽略的参数。识图任务需要稳定输出建议保持在 0.2 左右如果模型描述总是遗漏内容可以尝试调低到 0.1而不是调高。3.5 确认插件真正加载执行dsh plugin list dsh log tail --plugin modlens预期结果插件状态为 enabled日志中出现类似modlens initialized的关键字启动时没有密钥缺失告警。如果日志里出现MODLENS_VISION_API_KEY is not set说明环境变量没被进程读取。检查是否在同一终端里执行了 export或者.env是否被 Harness 自动加载。4. 用最小案例跑通识图一张报错截图走完全链路4.1 准备一张测试图mkdir -p ~/harness-test # 把一张带文字的截图放到该目录例如 error.png file ~/harness-test/error.png ls -lh ~/harness-test/error.png推荐使用带文字的报错截图作为第一张测试图因为文字内容容易验证识别是否准确。图片不要太大先控制在 1MB 以内避免请求体超限。4.2 用一条命令发起识图dsh run 请分析 /Users/me/harness-test/error.png 这张图片逐字输出其中的错误提示并说明可能原因ModLens 插件会拦截包含图片路径的消息读取图片并调用 GLM-5.3 Flash 生成描述再把描述交给 DeepSeek 主模型处理。4.3 预期结果正常情况返回图片中的错误文案能结合上下文给出可能原因日志里出现一次视觉模型的成功请求状态码 200异常情况现象说明模型回答“我看不到图片”插件没有成功拦截图片输入返回 400模型名或消息格式不对返回 401视觉密钥有问题返回 404base_url 或接口路径不对4.4 从命令行到 API 格式识图请求的内部样子如果 Harness 暴露兼容 OpenAI 风格的接口最终发给视觉模型的请求大致是这样的{ model: glm-5.3-flash, messages: [ { role: user, content: [ {type: text, text: 请分析这张截图的错误信息}, {type: image_url, image_url: {url: data:image/png;base64,....}} ] } ], temperature: 0.2 }本地图片会被 ModLens 转成 base64 data URL远程图片可以直接放 URL。如果你在日志里看到类似结构说明插件已经把图片正确编码并发送给了视觉模型。4.5 放进工作流让 Agent 截图后自动诊断dsh run 先在浏览器打开本地测试页面截图保存到 /tmp/ui-error.png再用识图能力分析弹窗里的错误并给出修复代码这里的关键是让 Harness 把“截图工具”和“ModLens 识图”串成一条工具链。第一次跑完整链路时建议分两步执行先截图确认文件生成再识图分析。一次跑完整链路如果失败很难判断是截图问题还是识图问题。5. 配置背后的原理图片是怎么变成主模型推理依据的5.1 ModLens 的完整调用链路按顺序拆解一次识图请求用户消息包含图片路径或图片 URL。ModLens 校验图片是否存在、大小是否超限。本地图片转 base64远程图片保留 URL。ModLens 构造多模态消息调用 GLM-5.3 Flash。视觉模型返回描述文本。ModLens 把描述文本作为工具结果回填到主模型会话。DeepSeek 主模型基于文本继续推理并回复。这个链路决定了几个工程取舍视觉调用失败时主模型得不到任何图片信息描述文本越长主模型消耗 tokens 越多图片预处理越差描述越不准确。5.2 三种密钥和地址别搞混配置项用途环境变量示例配错的表现DEEPSEEK_API_KEY调用 DeepSeek 主模型DEEPSEEK_API_KEY文本对话直接 401MODLENS_VISION_API_KEYModLens 调用视觉模型MODLENS_VISION_API_KEY识图 401文本对话正常vision.base_url视觉模型服务地址配置文件里的 base_url识图 404 或连接失败一个典型场景是纯文本对话正常但识图时报 401。先不要怀疑主模型密钥优先检查视觉密钥是否配置、是否正确读入。5.3 为什么识图逻辑不写死到主模型里三个原因决定了插件加轻量视觉模型的方案更合理成本视觉请求通常按图片和 token 计费频繁把图片塞给主模型不划算。延迟纯文本推理比图像理解快得多Agent 循环里每多一次慢调用整个任务耗时都会被拉长。可替换性插件方式让视觉模型可以独立升级、替换、灰度不影响主模型配置。5.
