Article
DeepSeek V4 推理能力拉满，但它是个「睁眼瞎」
前几篇一直没提我在 pi 里用的是什么模型。
今天说一下，因为这直接导致了这期工具的诞生。
我换成了 DeepSeek V4
pi 支持自由切换模型，上个月我把主力换成了 DeepSeek V4。
原因很简单：推理能力强，价格便宜，中文理解比很多模型都好。
用下来很满意——写稿、改代码、分析内容，思路清晰，输出质量稳定。
但有一个硬伤：
DeepSeek V4 是纯语言模型，没有视觉能力。
你给它发一张图，它看不见。
这个问题有多影响我
我做播客内容，素材里有大量图片和视频：
- 发布会的 PPT 截图
- 演示 demo 的录屏
- 采访现场的照片
- 竞品截图、数据图表……
以前用带视觉的模型，直接扔过去就能分析。
换了 DeepSeek V4 之后，这条路断了。
我只能自己看图，然后用文字描述给它听。
描述一张图要花多少时间？少则一两分钟，多则五六分钟。
一期播客要处理十几张图，加起来就是半小时的纯体力劳动。
解决方案：补一个本地视觉模型
思路很清楚：DeepSeek V4 负责推理，视觉的部分用另一个专门的模型来做，两者分工。
我之前自己搭过一个本地视觉服务 Qwen3-VL-Mac，用的是阿里开源的 Qwen3-VL 模型，跑在本机 18017 端口，支持图片和视频输入，流式返回分析结果。
当时主要用来在浏览器里临时查图，现在把它正式接进 pi，让 DeepSeek V4 在需要「看」东西的时候，自动把任务转交给它。
怎么接的
Extension 做三件事：
1. 每次调用前检查视觉服务是否在线，没在线自动启动
不需要我手动开服务，pi 自己判断，自己拉起来，等它就绪再继续。
2. 图片、视频、URL 三种输入方式都支持
本地图片：/Users/tim/Desktop/screenshot.png
本地视频：/Users/tim/Downloads/demo.mp4
图片 URL：https://example.com/chart.pngURL 还会自动判断是图片还是视频，对应传不同的参数，用户不需要关心。
3. 同一会话有上下文记忆
先说「看一下这张图」，再问「图里右边那个数字是多少」——它知道「这张图」指的是什么，不需要重复传文件。
现在的工作流
遇到图片，我直接跟 pi 说：
「帮我看这张发布会截图，提取 PPT 上的核心数据」
遇到视频：
「这个演示视频大概讲了什么，按时间顺序总结」
DeepSeek V4 收到请求，识别到需要视觉能力，自动调 vision_analyze 工具，Qwen3-VL 看完给出结果，DeepSeek 再接着做分析和总结。
两个模型各司其职，我在中间什么都不用做。
一个有意思的组合方式
这个方案让我意识到一件事：
选模型不一定非要选一个「全能」的，可以用专门的模型拼出来。
DeepSeek V4 推理强，但没有视觉——那就让它专注推理，视觉单独用 Qwen3-VL 补上。
以后如果有更好的本地语音合成模型，也可以替换掉 VoxCPM。
工具链是模块化的，每一块可以独立升级，不用推倒重来。
现在的工具合集
| 工具 | 做什么 |
|---|---|
transcribe_audio | 本地语音转录（SenseVoice） |
generate_xiaohongshu_card | 小红书配图生成 |
dub_narration | 声音克隆配音 + 字幕视频 |
vision_analyze | 本地视觉理解（图片 / 视频） |
四个工具，全部本地运行，没有数据上传。
但工具越多，新问题来了——下一篇说。
本系列持续更新，记录把各种工具接进 AI 助手 pi 的完整过程。
