DeepSeek 也能看图了？我们给企业 AI 中台的 Flash 0731 装上了一双“眼睛”

很多人第一次把图片发给 DeepSeek 时，都会遇到类似的情况：图片明明已经上传，模型却无法直接理解画面，只能提示“解析失败”，或者把请求转交给单独的识图能力。

原因并不复杂：我们日常调用的 DeepSeek 主聊天模型，本质上仍以文本输入和文本推理为主。它擅长分析、归纳、写作和复杂推理，但图片里的物体、场景、表格与文字，并不会自动变成它能理解的上下文。

图 1：主聊天模型无法直接解析图片，需要额外的视觉识别链路。

在我们自建的企业 AI 中台里，我们没有简单地把文本模型替换掉，而是为当前接入的 DeepSeek Flash 0731 增加了一条“视觉前置链路”：先由 OCR 与通用视觉模型读取图片，再把识别结果组织成结构化上下文，交给 DeepSeek 完成后续推理。

最终效果是：员工仍然使用熟悉的 DeepSeek 对话入口，却可以直接上传截图、照片、扫描件和文档页面，让系统完成识别、理解和分析。

先把事实说清楚：这不是把文本模型硬改成视觉模型

根据 DeepSeek 官方 Chat Completions 文档，主聊天接口中的用户消息内容仍以文本结构为主。因此，把图片直接按多模态消息格式发送给不支持该格式的模型，通常会出现参数反序列化失败、未知image_url类型，或者模型完全看不到图片内容。

DeepSeek 也开源过独立的视觉语言模型系列，例如 DeepSeek-VL2。它与主聊天文本模型属于不同的模型家族和部署链路，并不意味着所有 DeepSeek API 模型天然都具备图像输入能力。

我们这次实现的准确描述是：

保留 DeepSeek Flash 0731 的文本推理能力，通过企业 AI 中台增加 OCR、视觉理解、上下文编排与失败降级，让它获得“系统级多模态”体验。

换句话说，不是给基础模型重新训练出一双眼睛，而是让中台先“看懂”，再让 DeepSeek 负责“想明白、讲清楚”。

整体架构：视觉模型负责看，DeepSeek 负责想

这条链路可以概括为：

图片 / 截图 / 扫描件 / PDF 页面 ↓ 文件校验与图像预处理 ↓ OCR + 通用视觉模型 ↓ 结构化视觉上下文与置信度 ↓ DeepSeek Flash 0731 ↓ 中文回答 / 表格 / 报告 / Agent 动作

图 2：视觉模型先完成图片内容识别，再把结构化结果交给 DeepSeek 分析。

这套设计中有一个非常重要的细节：OCR 不等于视觉理解。

OCR 擅长读取发票、合同、截图、表格和扫描件中的文字；但面对“一只狗正在吃西瓜”这样的自然图片，单靠 OCR 只能得到“未提取到文字”。所以我们把 OCR 和通用视觉模型组合起来：

• 有文字的图片，优先提取原文、坐标、表格和版面结构；
• 没有文字的图片，识别主体、场景、动作、颜色和空间关系；
• 混合内容，合并 OCR 结果与视觉描述，并保留来源与置信度；
• 识别失败时，不把空结果伪装成成功，而是提示用户切换模型或重新上传。

核心实现步骤

1. 输入路由：先判断请求里有没有视觉内容

中台收到消息后，先检查附件类型。纯文本请求直接交给 DeepSeek；图片、截图或 PDF 页面则进入视觉解析流程。这样不会让普通对话承担额外的视觉推理成本。

2. 文件安全与预处理

企业场景不能把“能上传”当作“可直接处理”。进入模型前，我们会执行：

• 文件类型、大小与扩展名校验；
• 图片解码与异常文件拦截；
• 超大图片缩放、方向纠正与必要的清晰度增强；
• PDF 页面转换与页码关联；
• 临时文件隔离、访问控制与生命周期清理。

3. OCR 与视觉模型协同识别

对办公文档，OCR 输出文本、段落、表格和位置关系；对自然图片，视觉模型输出主体、动作、环境与关键细节。中台把两路结果合并成稳定的数据结构，而不是把一大段未经整理的描述直接塞给大模型。

示意结构如下：

{"summary":"一只白色小型犬在草地野餐垫上抱着西瓜","objects":["白色小型犬","西瓜","野餐垫","草地"],"actions":["双爪托住西瓜","张嘴进食"],"ocr_text":[],"confidence":0.94,"source":"vision-service"}

4. 给 DeepSeek 构造可追溯的上下文

视觉结果会和用户原始问题一起，组成一段明确的系统上下文。DeepSeek 负责基于这些已识别的信息完成解释、比较、总结、表格整理或后续 Agent 决策。

简化后的伪代码如下：

defhandle_message(user_text:str,images:list[bytes]):ifnotimages:returndeepseek.chat(user_text)visual_context=vision_service.analyze(images)prompt=f""" 你是企业 AI 助手。请仅依据下面的视觉识别结果和用户问题回答； 不确定的信息必须明确说明，不得凭空补全。 视觉识别结果：{visual_context}用户问题：{user_text}"""returndeepseek.chat(prompt)

5. 失败降级与可观测性

视觉服务超时、图片损坏或模型不可用时，中台不会继续向 DeepSeek 发送一个空的“识别成功”结果，而是进入明确的降级流程：

• 重试可恢复的网络错误；
• 切换备用 OCR 或视觉模型；
• 对用户给出中文错误提示与下一步建议；
• 记录请求链路、耗时和错误类型，但不在日志中保存敏感原图；
• 保留模型调用与结果来源，便于企业审计。

为什么不直接把所有请求都交给一个大多模态模型？

在企业中台里，模型能力不是越“大而全”越好，关键是可控、可替换和可审计。

采用“视觉识别 + DeepSeek 推理”的组合，有几个现实优势：

1. 保留强文本推理能力：复杂总结、结构化输出和业务分析继续由熟悉的 DeepSeek 完成。
2. 能力解耦：OCR、通用视觉和文本模型可以独立升级，不必绑定单一厂商。
3. 成本可控：纯文本请求不触发视觉模型，只有包含图片的消息才走视觉链路。
4. 便于治理：企业可以分别控制文件权限、视觉模型、文本模型和审计日志。
5. 失败可降级：某个视觉服务异常时，可以替换后端，而不是让整个聊天入口不可用。

实际体验：员工仍然只需要一个对话框

对最终用户而言，复杂的路由与模型协作都藏在中台后面。员工只需要上传图片并提出问题，例如：

• “请描述这张现场照片里的异常情况”；
• “识别这张表格截图并整理成 Markdown”；
• “读取合同扫描页，提取甲乙方与关键日期”；
• “分析设备告警截图，给出排障建议”；
• “把白板照片整理成会议纪要和待办事项”。

图 3：用户仍然在统一的企业 AI 对话入口中使用 DeepSeek，视觉能力由中台自动编排。

仍然需要明确的能力边界

这套方案带来的是系统级多模态能力，但不能因此忽略边界：

• 视觉模型可能识别错误，关键业务字段需要人工复核；
• OCR 对模糊、倾斜、手写或复杂表格的准确率会下降；
• 图片中的文字同样可能包含提示注入，不能直接获得系统指令权限；
• 视频不是“多传几张图片”，还需要抽帧、时序理解与语音转写；
• 涉及合同、身份信息和内部截图时，必须遵守企业数据权限和留存策略；
• 模型输出只能作为辅助结论，不能替代法务、财务、安全等专业审核。

企业 AI 中台的价值，不是把越来越多模型堆进一个下拉框，而是让不同模型在正确的位置协作。

DeepSeek Flash 0731 继续发挥它擅长的文本推理，OCR 和视觉模型补上“看见”的能力，中台则负责路由、编排、权限、审计与降级。这样，我们不需要等待某一个模型原生包办所有事情，也能让企业员工获得自然、统一、可治理的多模态体验。

模型未必原生全能，但中台可以让能力真正组合起来。