夜雨聆风你有没有遇到过这种情况：用 DeepSeek 写代码，想让它看一张截图理解 UI 设计，结果它说"抱歉，我不支持图片输入"？
说实话，这大概是纯文本模型用户最烦的瞬间了。明明 DeepSeek 写代码又快又好，但一到需要看图的时候就得切回 Claude 或 GPT，来回切换，上下文全丢。
好消息是，有人把这个问题解决了。
agent-vision-toolkit 是一个上周刚开源的项目，短短 6 天就拿到了 332 颗星。它做的事很简单：让 DeepSeek、GLM、Kimi 这些纯文本模型也能"看"图片。
怎么做到的呢？它本质上是一套命令行工具加一个 Skill，agent 在需要看图的时候，调用这些工具分析图片，把结果转成文字描述喂给模型。模型看不到图本身，但能看到图的详细描述，效果还不错。
具体能干什么？几个典型场景：
截图问代码。你给 DeepSeek 一张 UI 设计稿，它能直接生成对应的前端代码。长截图里的文字，它也能逐行 OCR 识别出来。前端还原更是一绝，给一张网站截图，它能把页面结构、颜色、布局都还原成代码。
如果你用的是 Codex 或 Claude Code，它还有个无缝模式，通过本地代理拦截图片请求，自动调用视觉工具分析，你完全感觉不到背后是纯文本模型在工作。这个体验跟原生多模态模型几乎没区别。
你可能会问，为什么不直接用多模态模型？答案很简单：省钱。DeepSeek 的 API 价格只有 GPT-4 的几十分之一，编程能力也不输。现在有了视觉能力，就不需要为了偶尔看几张图去切贵模型了。
安装也很简单，一句话：
git clone https://github.com/Anionex/agent-vision-toolkit
然后告诉你的 agent"安装这个 skill"，它就会自动配置好。支持的 agent 包括 Codex、Claude Code、Pi、OpenCode，基本上覆盖了主流选择。
顺便再推荐一个搭配使用的工具：Peter Yang 的 human-review。
这个工具解决的是另一个痛点：AI 生成的内容，最后那 10% 的打磨怎么搞？在聊天框里说"把第三段改成 X，删掉第四张卡片，CTA 重写"，agent 改完你还得逐行检查它有没有理解对。
human-review 的做法很巧妙：它在浏览器里打开你的 HTML 或 Markdown 文件，你可以直接编辑文字、拖拽调整图片大小、选中某段文字留下评论，就像在 Google Docs 里批注一样。改完后点一下 Send to agent，所有修改一次性发给 agent 执行。安装同样简单，直接告诉 agent 安装这个 skill 就行。
这两个工具放在一起特别搭：一个让你的 agent 能看见世界，一个让你能优雅地给 agent 提修改意见。说实话，AI 编程这一年最大的变化不是模型变强了，而是工具链越来越成熟了。
下次你的 DeepSeek 再说"我看不了图"，你就有办法了。