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。
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。
原理：vision-skill 加 qwen3-vl-flash
好在已经有现成的开源方案：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
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：API Key 是钱袋子。它一旦粘贴进 Codex 对话，就会随请求发给背后的模型服务商，介意的话用完后去百炼控制台重置；也别写进公开教程、别提交到公开仓库------被人拿去就会烧你的额度。另外，开源项目装到本机前值得先过一遍代码，装完可以让 Codex 告诉你它改了哪些配置。
第 2 步：把仓库和 API Key 交给 Codex 自动配置
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
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。
参考文章:Codex 接入视觉功能教程（2026）｜vision-skill 外挂通义千问 qwen3-vl-flash 图文