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

第一步：获取 Google API Key

1. 打开 Google AI Studio：https://aistudio.google.com/apikey
2. 用你的 Google 账号登录
3. 点 「创建API密钥」
4. 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：

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

Provider: google
API Key: 你的 Google API Key

3. 然后在 DeepSeek 的模型配置里，找到 vision_model（视觉模型）选项
4. 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：

常见问题

Q：会不会泄露隐私？

A：图片会经过 Google 的服务器。如果你有隐私顾虑，建议不要传敏感截图。一般的技术截图、UI 设计图、报错信息没什么问题。

Q：响应速度怎么样？

A：Gemini-3.1-flash-lite 本身就是轻量模型，识别图片速度很快，一般在几秒秒内返回，确实也遇到过繁忙的时候，再执行一次即可，毕竟免费的，不能要求太高。

Q：可以识别什么类型的内容？

A：支持常见格式：PNG、JPG、WebP。能识别图片里的文字、物体、场景、UI 元素等。

其他模型也可以

如果你不想用 Google，只要是Hermes 支持的模型厂商都可以。

最划算的还是 Gemini-3.1-flash-lite——免费，够用，白嫖不心疼。

因为老路还实验了付费的XiaoMI MiMo，那余额哗哗的掉。。。

总结

这个配置花 5 分钟就能搞定，核心就三步：

1. 去 Google AI Studio 拿一个 API Key
2. 在 Hermes 里配上 Google provider
3. 把 Gemini 设为 DeepSeek 的视觉模型

之后你再也不用因为「DeepSeek 不能看图」而打断思路了。贴图、识别、继续聊——一气呵成。

同样的道理，Hermes还支持不同的辅助模型，完全可以发挥你的想象，让不同的模型处理它最擅长的部分，然后让主力模型来给出最终结论~

当然，如果你不想麻烦，那么用一个支持视觉识别的模型作为主模型就行了，一步到位，可以参考老路这篇Kimi K3+Hermes的教程，原生就支持。

The post Hermes + DeepSeek 不能看图？5分钟白嫖Google免费模型实现图片识别！ appeared first on 老路日常.