截图发给 Codex，它回我"我看不到图片"——给 DeepSeek 装一双千问的眼睛

---

摘要：Codex + DeepSeek 模型没有识图能力——截图甩过去，AI 要么装傻让你"描述一下"，要么 token 直接爆掉。本文记录从踩坑到解决的完整过程：为什么不用 GPT-4o、怎么用阿里云百炼的 Qwen3-VL-Flash 做识图代理、.env 配错路径 401 了三次才通的暗坑。附带完整的 Codex skill 配置方案。

---

📌 前言 / 问题场景

晚上 11 点，Spring Boot 启动报了一长串异常。你懒得逐行复制，直接 Win+Shift+S 截图，贴进 Codex：

“帮我看看这个报错。”

AI 秒回：

“我暂时看不到你发的图片内容——图片标签里没有可读取的路径。你能描述一下图片里是什么内容吗？”

你心想行吧，手动敲了几行关键报错。然后你又截了第二张——配置文件、第三张——依赖树。AI 突然开始胡言乱语，回复的内容是 10 分钟前聊过的。你一看：上下文爆了，token 超限。

3 张截图，8000 token 白扔，问题没解决，还搭进去一晚上。更气的是——你用的 DeepSeek-V4-Pro 本来就不认图，图片传进去只是占坑不干活。

这不是配置问题，是模型天生没长眼睛。

---

📋 环境说明

组件	版本/说明
Codex CLI	open-source 版本
底层模型	DeepSeek-V4-Pro / DeepSeek-V4-Flash
模型 Vision 能力	❌ 无
识图方案	claude-vision-skill（GitHub 开源，后面细说）
识图模型	阿里云百炼 Qwen3-VL-Flash
成本	新用户 100 万 token 免费，识一次图约 300-500 token

---

🔍 问题复现

发第一张图时：

用户: [图片: error-log.png] 帮我看看这个报错 Codex: 我暂时看不到你发的图片内容——图片标签里没有可读取的路径。 你能描述一下图片里是什么内容吗？

发第 3 张图时：

Codex: [开始复读 10 分钟前的对话内容，完全忽略当前问题]

根因：DeepSeek 的 API 不处理 image_url 字段。图片以 base64 格式传进去了，但模型根本不解析——白白占着上下文窗口，还挤掉了真正有用的对话历史。

---

🧭 排查过程

尝试 1：换 GPT-4o ❌

第一反应——换个有 Vision 的模型不就完了？

GPT-4o 确实能看图。但很快发现三个问题：

• API Key 不通用，DeepSeek 的 Key 调不了 OpenAI
• 单独买 GPT-4o 额度，每月多一笔开销
• 最关键的是：我就是想用 DeepSeek 写代码，换模型等于换工具，本末倒置

排除结论：不能换主模型，得在"外部"解决识图。

尝试 2：自己写 Python 脚本调千问 API 🤔

思路很直接——千问 VL 模型有 OpenAI 兼容接口：

1. Python 读图片 → base64
2. POST 到阿里云 DashScope
3. 拿到文字描述，粘贴回 Codex

正要动手，搜 GitHub 时发现已经有现成的——claude-vision-skill。虽然名字带 Claude，但本质就是个 OpenAI 兼容的识图脚本，和模型无关。

决定：直接用，不重复造轮子。把精力省下来解决怎么和 Codex 的 skill 机制集成。

最终方案：Codex Skill + Qwen3-VL-Flash ✅

核心思路：把识图做成 Codex 的一个 skill，每次用户发图时自动拦截 → 调千问 API → 把文字描述注入上下文。主模型（DeepSeek）完全感知不到图片的存在，它只看到一段文字描述。

---

🛠️ 解决方案

Step 1：获取阿里云百炼 API Key

打开 阿里云百炼控制台，创建 API Key。

新用户送 100 万 token，识一次图大概 300-500 token，日常使用几乎不花钱。

Step 2：安装 skill

ash git clone https://github.com/asuojun/claude-vision-skill.git ~/.codex/skills/claude-vision-skill

项目核心就一个 ision.js——读图 → base64 → 调 OpenAI 兼容 API → 返回文字描述。不绑定任何特定模型，细节可以看它的 README。

Step 3：配置 .env（这里踩了最大的坑）

在 skill 目录下创建 .env：

`env

~/.codex/skills/claude-vision-skill/.env

DASHSCOPE_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxx
VISION_MODEL=qwen3-vl-flash
`

⚠️ 暗坑：.env 放错路径，401 了三次

第一次我把 .env 放在了项目根目录 → 401。
第二次放在 ~/.codex/ 下 → 还是 401。
第三次才反应过来——vision.js 读的是自己同目录的 .env，也就是 skill 目录下。

javascript // vision.js 里的加载逻辑 try { require("dotenv").config({ path: path.resolve(__dirname, ".env") }); } catch {}

就这一行，折腾了十几分钟。README 没写清楚 .env 的具体路径要求。

为什么选 qwen3-vl-flash 而不是 qwen-vl-max？

• Flash 版响应快（< 2 秒），日常识图足够
• Max 版更准但慢，适合需要识别代码截图语法高亮细节的场景
• 日常排查截图 Flash 完全够用

Step 4：验证

配置完重启 Codex，发一张截图测试。正常流程：

用户发图 → skill 拦截 → vision.js 调千问 → 返回文字描述 → DeepSeek 基于描述回复

整个过程对用户透明——你只管发图，AI 自动识图。

---

🧠 原理分析

为什么这样设计？

`mermaid
sequenceDiagram
participant U as 你（用户）
participant C as Codex CLI
participant S as claude-vision-skill
participant Q as 千问 VL (DashScope)
participant D as DeepSeek 模型

U->>C: 发送截图
C->>S: 检测到图片 → 触发 skill
S->>S: vision.js 读图 → base64 编码
S->>Q: POST /chat/completions<br/>(image_url + prompt)
Q-->>S: "这是一段 Spring Boot 的异常日志…"
S-->>C: 文字描述注入上下文
C->>D: "用户发了一张图，内容是：…请帮他分析"
D-->>C: 基于文字描述回复
C-->>U: 输出结果

`

关键设计决策：

决策点	方案 A	方案 B（采用）	理由
识图谁来做	换 GPT-4o（主模型直接识图）	千问 VL 做代理	不换主模型，继续用 DeepSeek 写代码
图片怎么传	图片 base64 直接进 DeepSeek 上下文	图片 → 文字描述后注入	图片不进主模型上下文，不爆 token
脚本自己写还是用开源	手写 Python 调千问	用 claude-vision-skill	省时间，专注 Codex skill 集成

这个模式可以复制

不只是识图——任何主模型不具备的能力（TTS 语音合成、视频理解、联网搜索），都可以用 skill + 外部 API 代理 的模式补上。

本质就是：主模型只管推理，外围 skill 负责"翻译"它理解不了的输入格式。

---

📝 总结

1. DeepSeek 不识图不是 bug，是设计选择——它就没长眼睛，别折腾配置
2. 别换模型，加代理——千问 VL 就看图、DeepSeek 就写代码，各干各的
3. .env 放对路径——vision.js 读的是自己同目录下的 .env，不是项目根目录
4. 新用户免费额度够用很久——100 万 token，按每次 500 token 算，能识 2000 张图
5. 这个模式可以到处复用——skill + 外部 API = 给任何模型打补丁

---

📚 参考资料

• asuojun/claude-vision-skill — 开源识图 skill（核心：vision.js）
• 阿里云百炼控制台 — 获取 API Key
• DashScope API 文档 — 千问 VL 模型文档

---

© 本文为原创内容，转载请注明出处。

如果这篇踩坑记录帮你省了一晚上排查时间，欢迎点赞 👍、收藏 ⭐、关注 ➕，后续还会分享更多 Codex + AI Agent 的实战经验。