前一阵，我一直在 TRAE Code 里使用 DeepSeek Flash。
原因也很现实：真的便宜。
虽然最近价格高了一点，但和其他一些模型相比，整体成本仍然不算高。日常改代码、整理项目、生成简单页面时，可以比较放心地多跑几轮，不用每次都惦记调用成本。
但它也有一个很明显的短板：没有 Vision 能力。
写普通代码时，这个问题不算突出。但一旦做网页复刻，它看不到原始设计图，也看不到浏览器最终渲染出来的页面，只能根据文字描述和代码推测效果。
代码可以运行，页面也能打开，可最终长成什么样，它自己并不知道。
所以 deepseek-v4-flash-vision-exp 出来后，我很快在 TRAE Code 里接入了它，重新做了一次之前的网页复刻 Demo。
任务很简单。
1比1复刻图片中的网页，直接采用html+css，不需要受限于任何框架，充分发挥你的设计能力，保证设计效果一致。 图片如果可以截取就截取，如果不方便，直接采用展位图片Lorem Picsum
设计图如下，我尝试了全图，效果还不是很好，为了更好地对比，案例只截取了一部分。
第一次生成速度挺快，代码可以正常运行，页面的大体结构也出来了。
顶部的招标信息、中标结果、资质培训三栏，中间的合作单位和友情链接，以及底部的蓝色页脚，基本都识别到了。
如果只是看"网页有没有做出来"，这次任务已经算完成。
但真正把生成结果和原图放在一起，问题还是很明显。
中间四张单位横幅，前两张还停留在 The image is generating...，后两张直接变成了无关的植物图片。
友情链接右侧的展开箭头，本来应该和按钮在同一行，结果跑到了标题旁边。
列表中多出了明显的虚线分隔，页脚三个区块之间应该有的竖线却没有了。
页面能运行，结构也差不多，但离"复刻"还是有一段距离。
第一轮只是看懂，第二轮开始反馈
接下来，我没有逐项告诉它应该怎么改，只把第一次生成后的页面截图重新传了进去，并补了一句：
附件是生成的网页，仔细对比原图和生成网页，一个个修复不一样的地方，如果是因为缺少图片资源，可以采用占位图
这一次，Vision 的作用就明显了。
它先对比原图和生成结果，主动找出了几个差异：
-
政府单位横幅图片不对；
-
友情链接箭头位置不对；
-
列表中多出了分隔线；
-
页脚缺少竖向分隔。
然后，它根据这些问题重新修改代码。
第二次生成后，前两张一直加载失败的图片被换成了红色和蓝色的文字横幅，后两张无关的植物图片也被重新处理；友情链接箭头回到了按钮行右侧；列表中的多余虚线被去掉；页脚三个区块之间也增加了竖线。
当然，最终效果还不能算真正的 1 比 1。
缺失的图片资源只能通过文字横幅和占位图模拟，一些字号、比例和留白也还有继续调整的空间。
但第二次结果明显比第一次更接近原图。
而且真正让我在意的，并不是它一次识别出了几个问题，而是它开始能够看到自己刚刚做出来的东西，再根据结果修改代码。
Vision 的价值，不只是让模型会看图
如果只看第一轮，Vision 的作用好像只是让 DeepSeek 能够理解一张设计图，然后根据图片生成代码。
这当然有用，但其他很多 Code Agent 早就具备类似能力了。
真正让我感觉不一样的，是第二轮。
第一次生成的网页截图，又变成了下一次任务的输入。模型看到的已经不只是原始需求，还包括自己执行后的真实结果。
以前没有 Vision 时，整个过程更像是：
理解需求 → 生成代码 → 页面运行 → 结束
接入 Vision 后，页面效果本身也成了调试信息：
对于前端开发来说，这个变化挺重要。
因为最终交付的不是一份可以运行的代码，而是浏览器里真正呈现出来的页面。
模块有没有对齐、间距是否合理、图片是否正确、视觉层级是否接近目标，这些问题只看代码很难判断。
Vision 补上的，正是结果反馈这一环。
没有反馈的 Loop，只是在重复生成
Loop Engineering 大家估计都已经耳熟能详了。
最开始接触的时候我觉得，所谓 Loop 无非就是让 Agent 多执行几轮。
后来感觉不太对。
如果每一轮都没有获得新的环境信息，那么：
生成 → 再生成 → 继续生成
本质上只是重复调用模型。
真正有效的 Loop，应该是：
执行 → 观察结果 → 发现问题 → 调整 → 再次执行
这和人类干活的过程其实差不多。
写完文章会回头读，做完设计会打开预览，写完前端会刷新浏览器。我们很少只根据自己的操作过程判断结果，而是会不断观察最终效果。
Agent 也一样。
只有它能知道"我刚才做成了什么样"，后续优化才有依据。
这也是这次 Demo 里，第二轮修改比第一轮生成更值得关注的地方。
第一轮证明模型可以看懂图片并生成代码。
第二轮则说明，图片可以成为 Agent 的环境反馈。
再把 Harness 接进来，Loop 才能真正转起来
目前这次测试还没有实现完整自动化。
第一次页面生成后，是我手动打开页面、截取效果图，再把截图传给 Vision。也就是说，观察环境和启动下一轮任务，仍然需要人参与。
但如果再结合 Harness，后面的过程就有可能变成：
其中，Harness 提供文件系统、浏览器、截图和代码执行环境；Vision 负责感知执行结果；Loop 负责让整个优化过程持续运行。
到了这一步，Agent 才不只是根据需求生成一份代码，而是在真实环境中不断执行、观察和修正。
便宜，可能决定了 Vision 能不能真正进入 Loop
说回最开始为什么一直在用 DeepSeek。
还是成本。
图片问答通常只需要调用一次，但 Agent 的环境反馈可能要反复发生。页面每修改一轮，就需要重新渲染、重新截图、重新分析。
生成一次，看一次；修改一次，再看一次。
如果一次视觉调用就很贵，那这个 Loop 跑不了几轮，可能就舍不得继续了。
DeepSeek 最近虽然涨过价，但横向来看仍然相对便宜。这个特点放到普通对话里，可能只是少花点钱；放到 Agent 的循环执行里，意义就不太一样了。
它让模型可以更频繁地观察环境。
这样一来，DeepSeek Vision 的应用空间也不只是图片问答和识图，而可能进入网页开发、界面测试、桌面操作、文档排版等需要反复查看结果的任务。
这次测试只是一个很小的网页复刻 Demo，也不能据此说明它已经可以稳定完成复杂前端开发。
但至少从这两次截图中，我看到了一种更有意思的变化：
Vision 对 DeepSeek 最大的价值，不是让它看懂一张图片，而是让它开始看见自己执行后的结果。
而相对可控的成本，才有可能让这种"反复看、反复改"，真正成为 Agent 的日常工作方式。