Hermes + DeepSeek 不能看图？5分钟白嫖Google免费模型实现图片识别！

很多人跟老路一样用 DeepSeek 作为 Hermes 的主力模型，便宜、代码能力强、中文好。但它有个硬伤——不支持多模态，没法识别图片。每次想贴个截图给它看，都要切到别的工具，非常蛋疼。今天分享一个老路一直在用的方案，不花钱，不改代码，直接在 Hermes 里配一下就好，5分钟搞定。

如果你也在用 Hermes，而且苦于 DeepSeek 没有多模态，这篇文章应该能帮你省不少事。

效果如下：

先说说痛点

Hermes 是目前我用过最顺手的 AI 客户端，支持多模型切换、工具调用、本地运行，体验很好，同样接入Deepseek，我的直观感觉是Hermes响应速度要高于Codex。

我主力模型用的 DeepSeek，原因是：

便宜（比 Claude 、ChatGPT比便宜的不是一点半点）
代码能力强（日常足够用）
中文理解好

但最大的问题——DeepSeek 不支持多模态。你在聊天框里贴一张截图，它看不到。想让它分析 UI 设计、看报错截图、识别图片里的文字……统统不行。

之前我的解决方案是：切到 ChatGPT 或者 Gemini 看一眼，看完再切回来。麻烦，而且容易断掉思路。

后来我研究了一下 Hermes 的配置，发现它有一个辅助视觉模型（vision fallback）的机制。简单说就是：主力模型用 DeepSeek（文本），遇到图片的时候自动调另一个模型来处理。

而 Google AI Studio里很多模型都是免费的， Gemini 3.1 Flash Lite 就是，而且还支持多模态。这不就白嫖了吗？

方案原理

你粘贴图片 → Hermes 发现 DeepSeek 看不了 → 自动转发给 Gemini → Gemini 识别后返回结果

整个过程在后台完成，你在聊天界面感知不到切换，体验跟在 ChatGPT 里贴图一样流畅。

需要的材料

项目	说明	费用
Hermes	你已经在用的	免费
DeepSeek	主力模型	按量计费（很便宜）
Google AI Studio API Key	免费额度够用	免费
Gemini 2.0 Flash	视觉模型	免费

第一步：获取 Google API Key

打开 Google AI Studio：https://aistudio.google.com/apikey
用你的 Google 账号登录
点 「创建API密钥」
复制生成的 Key，保存好

点击“创建API密钥”，在弹出的对话框里随便起个名字，项目可以重新创建一个，然后点击“创建密钥”就完事了

Google 目前给了免费额度，不用关心上限，正常使用，完全够，万一真的超限额了，换个模型继续白嫖。

第二步：在 Hermes 里配置

老路是使用桌面端配置的

在 Hermes 桌面端的设置里：

找到 Providers 或 模型配置
添加一个 Google 的 provider：

Provider: google
API Key: 你的 Google API Key

然后在 DeepSeek 的模型配置里，找到 vision_model（视觉模型）选项
设置为 gemini-3.1-flash-lite 或 gemini-2.5-flash-lite(都足够用)

如果你是命令行，直接改配置文件

打开 Hermes 的配置文件（一般在 ~/.hermes/config.yaml 或你自定义的位置），找到模型配置部分。

在 config.yaml 里找到 DeepSeek 的 provider 配置，添加一个 vision_model 字段：

providers:
  deepseek:
    model: deepseek-reasoner
    api_key: 你的DeepSeek Key

  google:
    model: gemini-3.1-flash-lite
    api_key: 你的Google API Key

然后在 agent 或 session 配置里：

vision:
  provider: google
  model: gemini-3.1-flash-lite

不同版本的 Hermes 配置格式可能略有不同，但思路是一样的——给主力模型配一个视觉后备。

使用效果

配置好之后，再跟 Hermes 聊天的时候：

纯文字对话 → 依然是 DeepSeek 处理
你贴了一张图片 → Hermes 自动调 Gemini 识别，把结果返回给你

举个例子，我让 Hermes 看封面截图，让它反推分析提示词。DeepSeek 处理不了，自动走了 Gemini，Gemini 识别截图里的信息，然后 DeepSeek 根据这个分析做出反推。

全程我就是在聊天框里贴了张图，没有任何额外操作。

实测数据

我用了一段时间，几个体感：

场景	之前	现在
看报错截图	切到别的工具	直接贴图，秒识别
分析网页设计	手动描述	截图即可
OCR 识别图片文字	用另外的工具	Gemini 直接提取
AI 生成的图片效果	描述不出来	贴图给 AI 看