cc-vision-skill：为 GLM-5.2/DeepSeek 进化出眼睛，实现多模态效果

前文

用 GLM 有段时间了，编码能力可以，前端视觉DeepSeek Flash的正式版也出了，但是因为缺少视觉能力，有些简单任务就会变得复杂。
比如开发页面或游戏时，口述总是显得苍白，费工夫又描述不全面。此时如果拥有识图能力，体验将会大不同！

为此我开发了一个适用于 Claude Code 的 skill，用来解决纯文本大模型无法识图的问题。

关于市面上的免费识图模型，我找了很久，比较靠谱的还是阿里云百炼，本skill会在AI识别到有识图需求时调用外部识图模型协助识图。

正文

安装前提

• 确保你的网络环境可以访问Github

• 你有阿里云百炼的账号，并注册一个 ApiKey，稍后的安装过程中会用到

  • 获取 ApiKey：https://bailian.console.aliyun.com/ → 登录 → 创建 ApiKey

安装方法

将以下内容原封不动复制给 Claude Code：

读https://github.com/xiaotiewinner/cc-vision-skill的README.md，帮我安装识图skill

注意事项

• 调用视觉模型使用python语言，所以安装过程中也会安装python（不用担心，如果你没装的话AI会帮你安装）
• 这个 skill 只读图，不生成图

实现原理

这个 skill 让文本模型"长出眼睛"。脚本读取图片（本地路径/URL/管道），base64 编码后发给一个视觉大模型，把模型返回的文字描述读回来。默认走阿里云百炼，会自动从最便宜的模型开始尝试，免费额度用完自动换下一个，全部用完会提示用户需要充值。经估算，每次视觉调用约消耗 100-200 tokens，阿里赠送的100万 token 够用 5000 ~ 10000次。

实战效果

这是我使用 deepseek-v4-flash 安装本skill并截图给它的效果。

项目地址

https://github.com/xiaotiewinner/cc-vision-skill
如果这个项目对你有用，请帮我点个星星，感谢支持