GPT 中文网

给Codex加上视觉功能：DeepSeek-V4-Flash 外挂 qwen3-vl-flash 教程（2026 年 8 月）

2026/8/7 Codex 视觉功能Codex 怎么安装 vision-skillDeepSeek-V4-Flash 不能看图怎么办qwen3-vl-flash 接入教程

想要给Codex加上视觉功能？当我们为 Codex 换上速度快、Agent 能力极强的 DeepSeek-V4-Flash 作为底层模型时，会面临一个痛点：DeepSeek-V4-Flash 是纯文本模型，默认无法看图。

在日常编程场景中，读图是刚需——无论是还原 UI 截图、分析复杂的报错弹窗，还是核对页面布局，光靠文字描述既低效又容易出错。

🎯 核心摘要：本文将教你如何用 5 分钟、通过 3 个简单步骤，快速给Codex加上视觉功能。我们将结合开源插件 vision-skill 与便宜好用的通义千问 qwen3-vl-flash 模型，让你的 Codex 瞬间拥有“看图写代码”的能力！

# 📚 本文目录（点击跳转）

# 为什么需要给 Codex 加上视觉功能？

接上 DeepSeek-V4-Flash 之后，Codex 成了顶级的“代码大脑”，能读能写，但偏偏是个“盲人”。如果你只写纯后端逻辑，这没问题；但只要涉及前端开发，对着设计稿干活，它就卡壳了。

给Codex加上视觉功能的思路，就像是在工地上进行精细分工：

  • DeepSeek-V4-Flash 像是一个聪明的工头，负责逻辑推理和编写代码；
  • 外挂视觉模型 则是专职的“质检员”，负责把画面看懂，并翻译成详细的文字汇报给工头。

# 技术原理：vision-skill 搭配 qwen3-vl-flash

给Codex加上视觉功能原理图：DeepSeek-V4-Flash代码推理与qwen3-vl-flash视觉模型协同分工示意图 感谢开源社区，目前已经有非常成熟的现成方案。核心由两部分组成：

  1. vision-skill 插件：这是一个开源技能包（GitHub 仓库：asuojun/claude-vision-skill (opens new window)）。它的作用是给没有原生识图能力的主模型外接一双「眼睛」——能够读取本地或网络图片，调用外部视觉 API，并将看到的画面转化为描述塞回给 Codex。
  2. 通义千问 qwen3-vl-flash：这是我们选用的“眼睛”本体。它专门针对图文多模态（VL）场景设计，日常读取 UI 和截图完全够用。最重要的是：它极其便宜，且新用户有免费额度。它按 Token 计费（输入仅 0.15 元 / 百万 tokens），远比按张收费的模型划算。

# 接入前准备工作

在开始之前，请确认你已经具备以下条件：

# 第 1 步：在阿里云百炼获取 API Key

首先，我们需要获取一把调用视觉模型的“钥匙”。 通义千问qwen3-vl-flash视觉模型计费说明与Token价格详情，适合为Codex提供低成本识图能力 通义千问 qwen3-vl-flash 计费说明

  1. 登录 阿里云百炼控制台 (opens new window)。
  2. 在左侧导航栏找到并进入 API-KEY 管理。
  3. 点击创建新的密钥，并复制保存下来。

⚠️ 安全警告：API Key 相当于你的数字钱包密码！千万不要把它发在公开教程、微信群或提交到 GitHub 公开仓库中，以免被盗刷额度。

# 第 2 步：让 Codex 自动安装与配置

这是最爽的一步——你不需要自己敲代码安装，直接把活儿交给 Codex 本身！

打开 Codex，将下面这段提示词（Prompt）修改好你的 API Key 后，直接粘贴发给它：

在阿里云百炼控制台创建API Key步骤截图，用于配置Codex外挂vision-skill视觉插件

帮我全局安装 asuojun/claude-vision-skill（https://github.com/asuojun/claude-vision-skill），
按照 README 的说明进行配置。
视觉模型请选择阿里云百炼的 qwen3-vl-flash，
API Key 是 sk-xxxxxxxxx（请在此处替换为你刚刚创建的真实 API Key）。

Codex 收到指令后，会自动去下载仓库、检查本地环境、并写入相关配置。全程自动化，你只需喝口水等待即可。

# 第 3 步：发送图片验证识图功能

使用自然语言让Codex自动安装与配置claude-vision-skill开源项目过程截图，快速实现AI识图验证

配置完成后，怎么确认已经成功给 Codex 加上视觉功能了呢？

很简单：直接在对话框里发一张截图给它（比如一张网页 UI 或者报错截图），并问它：“图片里有什么？”

如果它能准确用文字描述出图片中的内容、颜色、按钮位置或是报错代码，恭喜你，你的 Codex 已经成功长出了“眼睛”！

(注：如果验证失败，请回头检查第 1 步的 API Key 是否复制完整，或者让 Codex 重新排查一遍 vision-skill 的配置。)

# 常见问题解答 (FAQ)

Q：DeepSeek-V4-Flash 自己真的不能看图吗？ A：是的，它是纯文本模型。这正是我们需要通过外挂方案来给Codex加上视觉功能的原因。

Q：这个方案后续使用会很贵吗？ A：非常便宜。视觉模型是按 token 计费的，以 qwen3-vl-flash 为例，输入只要 0.15 元 / 百万 tokens。日常写代码看看截图，成本几乎可以忽略不计，而且新用户还有免费额度。

Q：必须用 qwen3-vl-flash 吗？ A：不一定。vision-skill 采用了兼容 OpenAI 的标准格式，理论上任何支持视觉 API 的模型都能无缝接入。本文推荐 qwen3-vl-flash 主要是因为性价比极高，非常适合日常看 UI 稿。