让 Codex 中的 DeepSeek 支持看图：本地视觉代理接入指南

本文介绍如何通过本地视觉代理 codex-deepseek-vision，让 Codex 中的 DeepSeek 支持粘贴图片并正常看图回答。全程使用智谱 GLM 免费视觉模型，无需额外费用、无需 GPU。

方案原理

DeepSeek 的 API 模型是纯文本模型，不能直接接收图片。codex-deepseek-vision（agent-vision）是一个本地「视觉桥」：它在 Codex 与 DeepSeek 之间拦截请求，把图片交给智谱 GLM（免费视觉模型）转成文字描述，再以纯文本形式交给 DeepSeek 推理——主模型不变、成本不变，只是多了一层本地代理。

1
2
3
4
5
6
7
粘贴图片 / 图片路径
        ↓
agent-vision 本地代理（127.0.0.1:19100）
        ↓
GLM 免费视觉模型 → 文字描述
        ↓
DeepSeek 基于描述回答

一、准备工作：打开 PowerShell 与检查 Python

1. 打开 PowerShell

在桌面按 Win + X，选择「终端」或「Windows PowerShell」：

2. 检查 Python 版本

执行 python --version，要求版本 3.9 及以上：

二、安装 agent-vision

agent-vision 是一个「视觉桥」——给纯文本模型（比如 DeepSeek）外挂一双眼睛，让它在图片到达之前，先把图片翻译成文字描述。

执行安装命令：

1
pip install codex-deepseek-vision

看到 Successfully installed 即安装成功：

验证安装：

1
agent-vision --help

三、注册智谱开放平台，获取免费 API Key

前往 https://open.bigmodel.cn 注册并登录账号（注册流程从略）：

登录后进入个人设置，完成实名认证（否则调用会受限）：

进入个人中心：

进入 API Keys 管理页：

新建一个 Key，起个名字（如 codex-vision），创建后复制并保存到安全的地方（Key 只显示一次）：

四、配置向导：接入免费识图模型

接下来接入免费识图模型 GLM-4.6V-Flash（默认使用免费的 glm-4v-flash，均可免费调用）：

回到终端，确认已安装：

1
pip install codex-deepseek-vision

运行配置向导：

1
agent-vision setup

选择 1（Free 免费模型），然后粘贴刚才保存的 API Key（截图已打码，正常输入时是明文可见的）：

输入 y 回车确认，向导会自动修改 Codex 配置、启动本地代理并测试连接：

安装成功：

执行 agent-vision status 检查结果，各检查项均为 ✓ 即正常：

五、（可选）切换更好的视觉模型

默认使用 glm-4v-flash，免费且稳定，日常使用足够。如果想追求更好的识别效果，可以换成 glm-4.6v-flash（同样免费），或以后切换到任意视觉模型——下面的流程可作为通用模板。

打开配置文件：

1
notepad $env:USERPROFILE\.agent-vision\.env

把 VISION_MODEL 改为目标模型名并保存（务必保存成功，可多按几次 Ctrl+S）：

重启服务使配置生效：

1
agent-vision restart

提示：glm-4.6v-flash 高峰期可能因访问量过大返回 429。日常建议保持默认的 glm-4v-flash，需要更好效果时再切换。

六、验证 Codex 配置已被自动修改

检查 config.toml，base_url 应指向本地代理：

1
Get-Content "$env:USERPROFILE\.codex\config.toml" | Select-String "base_url|model_provider|model_catalog_json"

预期结果：base_url = "http://127.0.0.1:19100/v1"（不再是 api.deepseek.com）：

检查模型目录，deepseek-v4-flash 的 input_modalities 应多了 image：

1
Get-Content "$env:USERPROFILE\.codex\cc-switch-model-catalog.json" -Raw | ConvertFrom-Json | Select-Object -ExpandProperty models | Where-Object { $_.slug -eq "deepseek-v4-flash" } | Select-Object slug, input_modalities, supports_image_detail_original | Format-List

预期结果：input_modalities 为 {text, image}，不再只有 text：

七、命令行识图自测

执行以下命令，识别最近一次发给 Codex 的图片（如果之前没发过图，先在 Codex 对话里发一张再执行）：

1
agent-vision see --latest -q "描述一下这张图"

第一次测试可能遇到 HTTP 429（免费模型高峰期访问量过大），属正常现象：

遇到 429 就切回稳定的 glm-4v-flash：再次打开 .env，把模型名改回去：

1
notepad $env:USERPROFILE\.agent-vision\.env

重启服务：

1
agent-vision restart

再次执行 agent-vision see --latest -q "描述一下这张图"，可以看到成功返回图片描述：

八、开机自启（可选，推荐）

外置模型生效的重要前提：代理必须保持运行。 如果以后电脑重启，先执行 agent-vision start 再打开 Codex。

嫌麻烦的话，可以设置开机自启，在终端执行：

1
2
3
4
5
6
7
8
9
$agent = (Get-Command agent-vision).Source
$startup = [Environment]::GetFolderPath('Startup')
$ws = New-Object -ComObject WScript.Shell
$sc = $ws.CreateShortcut("$startup\agent-vision.lnk")
$sc.TargetPath = "powershell.exe"
$sc.Arguments = "-WindowStyle Hidden -NoProfile -Command `"& '$agent' start`""
$sc.Description = "Codex vision bridge auto-start"
$sc.Save()
Write-Host "已创建自启项：$startup\agent-vision.lnk"

看到「已创建自启项」即成功。然后完全退出 Codex 桌面端并重新打开：

九、创建 skill：让 DeepSeek 优先使用外置识图

默认情况下，Codex 桌面端会先用系统 OCR 兜底识别图片。为了让 DeepSeek 优先使用我们接入的 GLM 视觉模型，需要创建一个 skill，让模型主动调用 agent-vision see。

打开资源管理器，在地址栏输入以下路径并回车：

1
%USERPROFILE%\.codex\skills

新建文件夹，命名为 glm-vision：

在 glm-vision 文件夹内新建一个文本文件，改名为 SKILL.md（注意扩展名是 .md，不是 .txt）：

如果看不到后缀，先在「查看」中打开「文件扩展名」显示：

用记事本打开 SKILL.md，粘贴以下内容：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
---
name: glm-vision
description: 当用户粘贴图片、提供图片文件路径或 URL，或对话里出现图片附件且需要理解图片内容时使用。适用于任何图片：照片、动物、场景、截图、报错、图表、文档、UI 设计稿等。通过 agent-vision 调用智谱 GLM 免费视觉模型，把图片转成文字描述后再回答。
---

# GLM Vision（图片识别）

DeepSeek 是纯文本模型，不能直接接收图片。本技能用已安装的 agent-vision 把图片交给智谱 GLM（免费视觉模型）转成文字描述。

## 触发时机

- 用户粘贴了图片（消息里通常带 `C:/Users/.../Temp/codex-clipboard-*.png` 这类附件路径）
- 用户给出图片文件路径或图片 URL，要求描述 / 分析 / OCR
- 对话里出现图片附件或 `[image described by vision model]` 标记，且用户的问题依赖图片内容

## 操作步骤

1. 优先使用消息里附带的图片路径：

   ```powershell
   agent-vision see "<图片路径>" -q "<用户的问题，或'描述一下这张图'>"
   ```

2. 没有可用路径、但用户刚粘贴过图片时，用 `--latest` 从 Codex 会话文件恢复最近粘贴的图片：

   ```powershell
   agent-vision see --latest -q "<用户的问题>"
   ```

3. 把返回的文字描述当作图片内容，基于它回答用户，不要编造图片里没有的信息。

## 失败处理

- `HTTP 429`（模型繁忙）：等待几秒重试一次；仍失败则告知用户稍后再试，或退回消息里的系统 OCR 描述。
- 路径不存在：改用 `--latest`，或请用户重新提供图片路径。

## 可选参数

- `--task ocr`：提取图中文字
- `--task ui`：分析界面/布局
- `--task chart`：分析图表

保存时注意编码选择 UTF-8（记事本右下角状态栏可看到当前编码格式）：

十、最终验证

完全退出 Codex 桌面端 → 重新打开 → 粘贴一张图片，问 AI「这张图里是什么」。

如果配置正确，模型会调用 agent-vision，由 GLM 识别图片后给出回答。截图、照片、动物、图表、UI 设计稿等任意图片均可。

常见问题

429 限流：免费模型高峰期访问量过大，稍等重试，或切回 glm-4v-flash。
代理未运行：Codex 会无法连接 DeepSeek，先执行 agent-vision start。
SKILL.md 乱码：保存时编码必须选择 UTF-8。
想还原配置：执行 agent-vision rollback codex 可恢复向导修改前的配置。