大家好，我是小木头。如果你一直在用 DeepSeek 做 Agent，应该遇到过这个问题：代码能写、工具能调，但放进去一张报错截图，它就看不见了。业内苦 DeepSeek 没有视觉能力确实已经很久了，所以开源玩家只能自己搭桥。在 Harness 的使用中，比如用到 dsh-multimodal 和 dsh-deepseek-vision，先安装插件，再配置 Qwen-VL、GLM 或者通过 Ollama 运行的本地视觉模型。上传截图后，视觉模型先生成一段描述，再由纯文本的 DeepSeek 来继续处理。这确实能让 Harness 支持图片，但需要额外安装和配置；原图与问题之间也多了一次模型调用和一层信息损失。
8月21号情况终于发生了改变，DeepSeek 发布了 DeepSeek-V4-Flash-Vision-Exp。同一天 Harness 0.1.1 也跟进了，它不是只在内置模型目录里新增一个条目，而是同时加入图片能力声明：聊天上传、read_image 工具、持久化附件，以及 Files API 和 base64 的回退。也就是说从模型选择、工具结果一直到真正发给 DeepSeek API 请求，整条图片链路现在都补齐了。那这个 Vision Exp 会不会为了看图牺牲原来 V4 Flash 的文字能力呢？按照 DeepSeek 官方的说法并没有，它在 Agent 推理和世界知识这些文字能力上与 V4 Flash 相当；但需要视觉理解的多模态 Agent Benchmark，它比纯文本的 Flash 有明显提升，整体接近了 Opus 4.8。
这里有两个限定：第一个是这是 DeepSeek 官方公布的 Benchmark；第二呢模型名称里仍然带着 Exp，也就是 experimental。它适合用来测试截图分析、图表理解、文档阅读和视觉 Agent，但不能把接近 Opus 4.8 理解成所有任务都与 Opus 4.8 等价。当然了，价格也很关键、也很敏感。Vision Exp 没有单独设置一档更贵的视觉价格，而是沿用 V4 Flash 的价格：每张图片最多计入 384 个输入 token。按目前人民币价格，V4 Flash 每百万输入 token 缓存命中是 2 分钱，未命中是 1 元；输出是 2 元。可以换算一下，即使按照未命中的价格计算，一张图片本身的输入成本最多也就只有 0.000384 元左右。
真正更影响账单的，还是较长的对话历史和模型的输出。Files API 本身免费，同一张图片上传一次后，可以重复使用 file ID，这样呢也能减少重复的传输。接下来我们看看 Harness 新版本是怎么支持图片的：先看第一层模型能力的声明，DeepSeek 官方适配器内置了一份建议模型目录，默认有三个模型：V4 Flash、V4 Pro 以及 V4 Flash Vision Exp。这份目录不是使用 API key 从 DeepSeek 的 /models 接口自动拉取，只有最后一个模型明确声明 input modalities 是 text 和 image。这不是装饰字段，上传图片调用 read_image、真正发起请求时 Harness 会检查当前模型是否声明了图片输入。普通的 Flash 和 Pro 仍然按照纯文本模型在处理。
第二层是持久附件，图片不会以一长串 base64 永久保存在会话记录里。Harness 会先校正 EXIF 方向、删除元数据，统一转换成 8-bit sRGB 或 sRGBA，默认把边长限制在 2048 像素以内，同时保留透明通道。会话里保存的是稳定的附件引用，而不是某一家模型专用的请求格式。第三层才是发给模型的请求版本：Vision Exp 默认给每张图片 64 万总像素、1 MiB 的编码预算，缩放比例根据像素的预算做开平方计算。所以一张 2048 乘 1024 的宽图，会缩放到大约 1130 乘 565，而不是直接裁成一个正方形。相同附件使用相同的预算，会得到相同的 variant ID；后面的缓存和文件复用都建立在这么一个确定的结果之上。
发给 DeepSeek 时，Harness 会优先使用 Files API：它先上传刚才生成的请求版本，再在消息里发送对应的 file ID。如果文件解析失败或超时，整个请求会切换成 base64 的 data URL；不会出现一部分使用 file ID、另一部分使用 base64 data URL 这类内联图片的混合状态。远端文件默认保存 7 天，文件过期或失效 Harness 只会重新上传并重试一次。如果图片历史过大，它还会按照固定步长省略最旧的图片，减少请求的前缀反复变化对 KV cache 也更友好。
工具接口也能带图，最直观的场景就是让 Agent 根据一张 UI 截图修改代码。比如把 dashboard-before.png 放进工作区，然后告诉他找出按钮为什么错位并修改代码。Agent 调用 read_image 工具后，工具结果不只返回文件路径，还会把真正的图片块、实际尺寸、坐标缩放比例一起交给模型。模型分析截图后，再回到 CSS 里面去定位。整个过程并不需要我们先用文字来描述图片。
最后我们用官方 CLI 运行一下 Harness，并不需要克隆代码仓库或编译代码，直接执行 npx @deepseek-ai/dsh web。在模型设置里保存好 API key，然后选择 DeepSeek-V4-Flash-Vision-Exp。我先上传一张 UI 截图让它分析视觉层级和交互问题，接着再让 Agent 使用 read_image 读取工作区的图片。最后切回普通的 V4 Flash，Harness 会明确提示这个模型没有声明图片输入：它不会假装看见，也不会直接忽略掉这张图片。
DeepSeek Harness 这次补上的不只是内置目录里的一个模型条目，而是一整套完整的图片处理和请求机制。当然这也得益于 DeepSeek 新发布的 Vision 模型。如果你想继续看 DeepSeek Harness 的源码拆解和实际应用，别忘了一键三连也欢迎大家的关注哦。好了这就是今天咱们分享的内容，我们下期再见吧。