Claude Code 给 DeepSeek V4 Pro 接视觉：claude-vision-skill 安装与使用全记录

平时用 Claude Code 接第三方模型的朋友可能遇到过这种情况：想让 AI 看张截图，结果模型是纯文本的，读图直接返回 [Unsupported Image]，只能干瞪眼。今天分享一个开源项目 claude-vision-skill，能给 DeepSeek V4 Pro 借一双眼睛，几分钟就能配好，下面从安装到使用走一遍。

简介

DeepSeek V4 Pro 这类模型本身不带视觉能力，在 Claude Code 里直接发图片，Read 工具读到的只会是一句 [Unsupported Image]。

思路不复杂：文本模型看不见图，那就找一个看得见的。先把图片发给一个支持视觉的模型，让它把图片内容转录成文字描述，再把这段文字交回给 DeepSeek 继续推理。对文本模型来说，它只是多收到了一段上下文，但实际效果就等于"看图"了。

claude-vision-skill 就是这个思路的一个轻量级开源实现：它是一个标准的 Claude Code Skill，配置好之后直接发图片就能自动识图，不用手动敲命令。对 人工智能 领域的多模态能力补全来说，这类"外挂视觉"的方案相当实用。

工作原理

整个识图链路是这样的：

用户发图片
   ↓
claude-vision-skill 被触发（SKILL.md 的 description 自动匹配）
   ↓
运行 vision.js <图片路径> "<prompt>"
   ↓
读取 .env（dotenv 注入环境变量）
   ↓
图片 → base64 → POST 到视觉模型 API（OpenAI 兼容格式）
   ↓
返回文字描述 → 交回 DeepSeek 继续推理

也就是说，真正"看图"的是视觉模型，DeepSeek 拿到的是文字转录结果。认得准不准、快不快、花多少钱，都取决于前面这个视觉模型，本文用的是阿里云百炼的 qwen-vl-max。

安装

• 使用 git clone https://github.com/asuojun/claude-vision-skill.git 克隆仓库，并放到用户级 skills 目录 ~/.claude/skills/claude-vision-skill/，我这里是全局安装。

• 仓库原始 SKILL.md 写死了作者机器路径 /Users/wwu/.codex/skills/claude-vision-skill/vision.js，共 3 处（本地路径 / --url / --clipboard 三种场景），需替换为本机绝对路径。

• 在 skill 目录（vision.js 旁边）创建 .env，填入 DASHSCOPE_API_KEY（必填）、VISION_MODEL（qwen-vl-max 或 qwen3.5-omni-plus）、DASHSCOPE_BASE_URL 三个配置项，API Key 在阿里云百炼控制台申请。

# 阿里云百炼 API Key（必填）
DASHSCOPE_API_KEY=sk-你的Key

# 视觉模型名
VISION_MODEL=qwen-vl-max

# 阿里云百炼 OpenAI 兼容接口地址（一般不用改）
DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

• vision.js 加载 .env 的 require("dotenv") 包在 try { } catch {} 里，不装 dotenv 会静默失败、Key 退回默认值 sk-xxx，所以必须在 skill 目录执行 npm install dotenv，这是最容易踩的坑：不装 dotenv 不会有任何报错，.env 却完全不生效。

cd ~/.claude/skills/claude-vision-skill
npm install dotenv

• 在 skill 目录下运行 node vision.js "图片路径" "请描述这张图片" 试一下，能输出图片的详细描述就算装好了。

使用

Claude Code 自动触发

装好之后什么都不用做，在 Claude Code 会话里直接发图片就行——本地路径、粘贴截图、图片 URL 都支持，Skill 会根据 SKILL.md 的 description 自动匹配触发，视觉模型返回的文字描述会直接进入上下文，DeepSeek 接着往下分析。

这里以我的 mall-swarm 微服务电商项目的架构图为例，介绍下它的使用：

复制图片后粘贴到 Claude Code 中去，再随便问一句，比如「这张图片里有什么」。这里使用的是 DeepSeek V4 Pro 模型，本身并没有识图能力，但借助这个 Skill 也能把图认出来。

手动命令

如果想在终端里直接用，或者自动触发没生效，也可以手动运行 vision.js，三种场景都支持：

# 本地图片
node ~/.claude/skills/claude-vision-skill/vision.js "C:/path/to/image.png" "请描述这张图片"

# 网络图片
node ~/.claude/skills/claude-vision-skill/vision.js --url "https://example.com/image.png" "请描述这张图片"

# 剪贴板图片（Windows 用仓库附带的 clipboard.ps1）
node ~/.claude/skills/claude-vision-skill/vision.js --clipboard "请描述这张图片"

vision.js 还内置了回退逻辑：给了本地路径但文件不存在时，会自动回退去读剪贴板；完全没给路径和 URL 时，也会自动尝试剪贴板。如果不想要这个行为，加 --no-fallback 参数即可直接报错。

总结

DeepSeek V4 Pro 这类纯文本模型虽然不能直接看图，但通过 claude-vision-skill 把图片交给视觉模型转录成文字，再交回文本模型推理，几分钟就能配好，而且配置一次全局可用。感兴趣的朋友不妨安装体验一下，给手里的文本模型也补上识图能力。相关配置细节可以参考 技术文档 板块里的避坑指南。

项目地址

https://github.com/asuojun/claude-vision-skill