近期也在尝试使用cc+deepseekv4开发一些项目，发现在需要图片理解方面完全识别不了，需要从图生文中复制内容给它非常不方便，感觉vibe coding半自动了，大佬们有什么好的办法。 
如果通过mcp和skills的图生文不知道效果好不好？