UPGPTs

中文

English

中文

English

Appearance

Codex 接入视觉功能教程（2026）｜vision-skill 外挂通义千问 qwen3-vl-flash 图文 ​

在上一篇 Codex 接入 DeepSeek-V4-Flash 里，我们给 Codex 换上了 DeepSeek-V4-Flash 当底层模型。速度快、Agent 能力也强，但有一个短板：DeepSeek-V4-Flash 不是多模态模型，看不了图。

编程场景里看图其实挺刚需——UI 截图、报错信息、页面布局，光靠文字描述又慢又容易错。

先看结论：给 Codex 加视觉就三步——① 在阿里云百炼控制台创建 API Key；② 把开源仓库 asuojun/claude-vision-skill 和 API Key 一起丢给 Codex，让它自己下载安装配置；③ 发一张图验证。视觉模型选通义千问 qwen3-vl-flash，便宜、新用户还有免费额度。全程约 5 分钟。

目录：

  1. 为什么 Codex 需要外挂眼睛
  2. 原理：vision-skill 加 qwen3-vl-flash
  3. 接入前准备
  4. 第 1 步：在百炼控制台创建 API Key
  5. 第 2 步：把仓库和 API Key 交给 Codex 自动配置
  6. 第 3 步：验证识图
  7. 常见问题
  8. 相关阅读

为什么 Codex 需要外挂眼睛 ​

接上 DeepSeek-V4-Flash 之后，Codex 的底层模型就成了纯文本模型：能读代码、改代码，但处理不了图片。这在纯写代码的场景没问题，一旦要对着截图干活——看 UI 还原界面、读报错弹窗、核对设计稿——就卡住了。

思路有点像工地分工：Flash 当工头，负责推理和改代码；旁边再雇一个专职看图的人，把画面翻译成文字交回去。主模型负责想，视觉模型负责看。

Codex 推理模型与视觉模型分工示意图

原理：vision-skill 加 qwen3-vl-flash ​

好在有大神提交了现成方案：vision-skill，给 Codex 加上眼睛。

  • vision-skill：一个开源技能包，给没有原生识图能力的主模型外挂「眼睛」——读本地或网络图片，调用视觉 API，把描述塞回对话。开源仓库：asuojun/claude-vision-skill。
  • 视觉模型：负责真正看图的那个。我选的是通义千问的 qwen3-vl-flash——专门看图的 VL 模型，日常读 UI / 截图够用，而且便宜。

qwen3-vl-flash 官方按 token 计费（输入 0.15 元 / 百万 tokens，输出 1.5 元 / 百万 tokens），不是按张标价；并且新用户有一定的免费额度。

接入前准备 ​

  • ☐ 已完成上一篇教程：Codex 接入 DeepSeek-V4-Flash。没接也不影响本教程，但配置环境一致，演示更顺
  • ☐ 一个阿里云百炼账号：没有就先注册
  • ☐ 一个 API Key：在百炼控制台创建（下一步演示）

第 1 步：在百炼控制台创建 API Key ​

通义千问 qwen3-vl-flash 模型说明

通义千问 qwen3-vl-flash 计费说明

登录阿里云百炼控制台，进 API-KEY 管理，创建一个密钥并复制。这个 Key 等下有用。

安全提醒：这是你自己的钱袋子。API Key 只在你自己机器上用，别写进公开教程、别提交到公开仓库——被人拿去就会烧你的额度。

第 2 步：把仓库和 API Key 交给 Codex 自动配置 ​

在阿里云百炼控制台创建 API Key

不用自己下载、不用手改配置，直接在 Codex 里粘贴下面这段，让它按 README 自己来：

markdown
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。
视觉模型选择阿里云百炼的 qwen3-vl-flash，
API Key 是 sk-你的APIKey（换成你刚创建的那一个）。

注意：sk-你的APIKey 要替换成你自己在百炼创建的 Key，别照抄示例。

Codex 会自己下载仓库、检查环境、写入配置，全程不用你动手敲命令。

第 3 步：验证识图 ​

Codex 自动安装配置 vision-skill

配置搞定后，贴上一张截图让 Codex 识别。它能正确说出图片里是什么，就说明「眼睛」已经装上、识图生效了。

如果验证不通过，先回第 1 步确认 API Key 有没有填错，再让 Codex 检查一遍 vision-skill 的配置。

常见问题 ​

Q：DeepSeek-V4-Flash 不能看图吗？ A：对。它是纯文本模型、不是多模态模型，本身没有识图能力，需要外挂一个视觉模型来补上。

Q：给 Codex 加视觉要额外花钱吗？ A：视觉模型按 token 计费，不是按张收费。以 qwen3-vl-flash 为例，输入 0.15 元 / 百万 tokens、输出 1.5 元 / 百万 tokens；新用户还有一定免费额度，日常看图成本很低。

Q：vision-skill 是什么？ A：一个开源技能包，给没有原生识图能力的主模型外挂「眼睛」——读本地或网络图片，调用视觉 API，把描述塞回对话。仓库在 github.com/asuojun/claude-vision-skill。

Q：必须用 qwen3-vl-flash 吗？ A：不一定。vision-skill 走 OpenAI 兼容格式，任何支持视觉的模型都能换。本文以 qwen3-vl-flash 为例，是因为它便宜、新用户有免费额度，日常读 UI 和截图够用。

Q：怎么确认 Codex 识图生效了？ A：配置后直接贴一张截图让 Codex 识别，它能正确描述图片内容就说明生效了。

相关阅读 ​