给 DeepSeek 装眼睛：文本主模型外挂视觉 + MiniMax 全家桶

接视觉有三条路，不是只有一条

图片理解本机其实不缺，缺的是视频理解。所以真正值得盯的，是那种补上视频、且尽量少损失信息的桥接方案。

顺带说一句：Gemini 这类多模态模型只是另一个视觉后端选项，接一个视觉模型而已，跟上面的路线是同一件事，不构成新维度。

see-skill 里能偷的设计

调研过一个专门做这件事的开源 Skill（oil-oil/see-skill，MIT，社区热度涨得很快），它把”文本模型外挂视觉”做到了工程完成度较高的程度。能带走的设计点：

• 图片原图直传：不预先 OCR、不缩放、不压缩。先 OCR 再让主模型”猜”，等于在理解链路里主动插一次信息损失；原图直传是把损失压到最低的做法。
• 视频不抽帧：保持完整时间线 + 音频，走视觉模型的原生视频能力，Skill 内部不做抽帧。抽帧会丢掉时序和音频信息，这是很多简易方案偷懒的地方。
• 问题原样透传：用户问什么，--task 就原样交给视觉模型，不套固定报告模板。固定模板会诱导视觉模型泛泛而谈，反而丢了针对性。
• 降级链：云端供应商按顺序尝试，全挂才落到本地 OCR（macOS 系统 Vision → Windows OCR → Tesseract）。注意视频没有本地降级，没配云端 Key 就明确提示，不硬来。
• 结果可审计：回传的 Markdown 带 backend / model / mode / route_attempts 元信息，主模型能判断这次到底走的哪家、有没有降级。
• 接口极简：stdout 只吐一个 output_path=<绝对路径>，机器可读，主模型读那个 Markdown 就行。

有几点跟 README 第一印象不一样，别照搬：

• 视频”优先 Gemini”只对 zenmux / openrouter 两家成立；百炼和 TokenDance 默认直接用 Qwen，不是”回退”。
• “压缩到最长边 1920、2 fps”只是三档里的 balanced，还有 compact（1600/1fps）和 strict（1120/1fps），超上传预算自动往下切。
• see.sh 是个薄壳，exec python3 parse_media.py "$@" 一行透传，全部逻辑在 parse_media.py；仓库里还多了个 README 没写的 tests/。

MiniMax 那半边：生成闭环

光有理解还不够，完整的多模态还差”生成”。MiniMax 的权益包恰好把这一侧补全了，而且本机已经接好：

额度有个值得注意的语义：文本、图片、语音、音乐共享同一个 general token 池，按百分比消耗；视频是按次计数（海螺视频，按天/周窗口给次数）。所以”先查额度再生成”不是客套，是实打实的成本门禁。

落地在 Claude Code 里是什么样

打通点最终落在 AI 编程工具的 workflow 配置上。本机这一套长这样：

1. 双 MCP 分工：MiniMax 管生成（图/视频/语音/音乐），minimax-coding 管理解（看图/搜索），主模型只负责编排和判断。
2. text-only 兜底写成硬规则：全局 CLAUDE.md 规定，会话启动先自查模型身份；若是纯文本模型，所有图片/视频理解一律走外部视觉兜底（understand_image），绝不 native 硬读、也绝不脑补画面。
3. 项目侧再包一层纪律（blog 项目的 firefly-minimax-media skill）：额度门禁（check_quota.py）→ 视频先抢槽、提交记账、只许轮询 → MCP 返回的 URL 必须立刻落盘（防盗链）→ 接线。视频生成在这里是”抢到槽位才能下单”，防止多 agent 并发把按次配额打空。

这一层的意义在于：能力是通用的，纪律是项目化的。MiniMax 谁都能调，但”先查额度、视频串行、URL 及时落盘”这套行为规范，是沉淀在 skill 里的，换谁来执行都一样。

几个绕不开的坑：

• text_to_image 返回的图片 URL 防盗链，程序直接下载恒 403，浏览器能开，签名约一天过期——必须生成后立刻落盘。
• generate_video 是异步的，提交只回 Task ID，要轮询状态，完整生成要几分钟。
• 启动 MiniMax 的 MCP 必须带 --with "mcp<2"，否则官方包起不来（mcp 2.0 移除了 fastmcp 模块）。
• voice_clone 要实名认证才能用；play_audio 会在本机真实出声，别在调试时踩雷。
• 区域必须匹配：本机 Key 是 cn 区（api.minimaxi.com），用国际域会报 invalid API key。

能带走的

最核心的一点：多模态 = 理解（外挂）+ 生成（MiniMax），两者都沉在工具层，主模型始终是文本模型。理解侧选原图直传、少信息损失的桥接（see-skill 是现成参考，本机 understand_image 已覆盖图片）；生成侧用 MiniMax 权益包补图、视频、语音、音乐。打通点写进 workflow 配置 + skill 纪律，这套就固化下来了，不用每次重搭。

相关阅读：

• 把高成本判断留给 Luna：OpenCode + DeepSeek + MiniMax 协作配置——那边讲委派分工，这篇讲纯文本模型怎么补视觉
• MiniMax 封面风格规范：通用与特定场景——同生态的封面出图规范