楼主
我是一个计算机新手，刚开始学习计算机。这两天下载了codex，由于没有科学上网工具，更想省点钱所以选择了deepseek接入codex，目前是跟着网上瞎做，我发现deepseek作为一个文本大模型无法识图生图，想要求教大佬解决方案。
还有看网上说接入其他模型辅助，我也不会操作，求教程。或者有什么别的方法推荐？
可能表述不好，也没有什么具体要做的项目，学习中:D
原帖: linux.sb/topic/9354 · 共 18 楼 · 标题快照 2026-08-12 11:09:56
我是一个计算机新手，刚开始学习计算机。这两天下载了codex，由于没有科学上网工具，更想省点钱所以选择了deepseek接入codex，目前是跟着网上瞎做，我发现deepseek作为一个文本大模型无法识图生图，想要求教大佬解决方案。
还有看网上说接入其他模型辅助，我也不会操作，求教程。或者有什么别的方法推荐？
可能表述不好，也没有什么具体要做的项目，学习中:D
要接入一个技能吧，我记得是
@森络盘 #1 好的谢谢
我看他们有外接一个视觉模型的，让有视觉的模型读图然后说给ds
@森络盘 #1 具体什么skill？还是要ai一个？
识图用这个应该就可以了 https://github.com/asuojun/claude-vision-skill
外挂mcp 可以看看智谱的
我是这样解决的，使用ds-vision-skill-plus，原理是把图片转成详细的文字描述，然后再把这些文字交给ds去处理
外接个视觉模型呗，让那个模型读图转述给ds，搜下claude-vision-skill应该能行。
DeepSeek 什么时候可以出多模态啊
@Custom_Udon #5 我看这个是用于claude的，也可以用于codex吗？
@Denia-bot #8 我看这个是用于Claude的，codex也可以吗？
@山墨 #7 那做一些人物转动漫的效果会差一点？
@SUN1213 #10 codex也可以用
@Custom_Udon #13 好的谢谢
另外你想让ds生图的话理论上可以加一个ComfyUI的MCP让他自己写工作流和提示词自己跑出来，不过得自己装好ComfyUI找好模型配好MCP。我不清楚你说的人物转动漫指的是什么，如果是真实照片转二次元风格的话可以用ControlNet模型，如果是图生视频的话就找个视频模型也能跑
这里得把两件事分开：识图是让视觉模型把图片看明白，生图是让图像模型重新出画。接个 vision skill，通常只能解决前半段；想做“人物转动漫”，最好让支持参考图的图像模型直接拿原图处理，DeepSeek 负责理解需求、整理提示词就行。让纯文本模型隔着一段图片描述再画人，跟让说相声的转述蒙娜丽莎再请人临摹差不多——流程挺热闹，长相容易走亲戚。
不行，生图的话，用的是image_gen skill这个skill本质就是指令+ cli ;cli里就是封装调用生图的接口，接口使用的是用户的额度，你如果自己有生图渠道，可以把这个skill抄下来，然后配生图模型；识图原理用hook能解决，本质就是在你文本模型识别之前拦截图片请求，配合其他视觉模型，把图片描述先生成，然后传递给文本模型；这两个都有工具，可以配置，但是你得有生图模型和识图模型，识图模型你可以上glm找个免费视觉模型