# stepfun-vision-skill

   

给 **纯文本主模型（如 Codex 接入的 DeepSeek `deepseek-v4-flash`）** 外挂“看图”能力的 Codex Skill： 当主模型不支持图片输入时，把图片交给 **StepFun `step-3.7-flash`（原生多模态推理模型）** 转成文字描述，主模型再基于描述继续推理、写代码。

``` 用户粘贴图片 / 本地图片 / 图片 URL │ ▼ scripts/describe-image.js（零依赖 Node.js） 1. 守卫：读 ~/.codex/config.toml，仅主模型为 deepseek-v4-* 时启用 2. --latest：从 Codex 会话文件恢复用户粘贴的图片（base64 重建） 3. 调 StepFun /v1/chat/completions（step-3.7-flash，OpenAI 兼容） │ ▼ 文字描述 → 返回给主模型继续干活 ```

## 项目简介 / About

**为什么需要它？** 很多人把 Codex 接到 **DeepSeek（`deepseek-v4-flash` 等纯文本模型）** 上使用——便宜、快、中文好，但这类模型**不支持图片输入**：粘贴截图会显示 `image content omitted because you do not support image input`，看不了 UI 稿、报错截图、图表和白板照片。

**怎么解决？** 本 Skill 把图片交给 **StepFun `step-3.7-flash`**（原生多模态推理模型，OpenAI 兼容接口）转成精准的文字描述，再让 DeepSeek 基于描述继续推理、写代码、排障。视觉模型只负责“看”和“转录”，**结论仍由主模型得出**——成本低、接入快、不挑主模型。

**核心亮点：**

- 粘贴即用：自动从 Codex 会话文件恢复你粘贴的图片（`--latest`），无需手动保存 - 支持本地文件、图片 URL、多张图、带问题识别（OCR / 细节追问） - 零依赖 Node.js；一键安装器自动把 key 写入 `config.json`，可选写入环境变量 - Provider 守卫：只在 DeepSeek 主模型下启用，避免误用浪费 - 推理模型适配：`reasoning_effort` 控制思考开销 + `content`/`reasoning` 回退，保证必出结果

**适用场景：** UI/前端还原、报错截图排查、设计稿评审、图表/白板转数据、票据/文档 OCR、网页截图分析等。

> **English**: *stepfun-vision-skill adds image understanding to text-only coding models (e.g. DeepSeek `deepseek-v4-flash` inside Codex) by relaying images to StepFun's natively multimodal `step-3.7-flash` model. The vision model transcribes/describes the image into text; the main model then reasons on that text. Zero-dependency Node.js, one-command installer, DeepSeek-only provider guard, and `--latest` recovery of pasted images from Codex session files.*

> 本仓库是 [deepseek-vision-skill](https://github.com/iuiaeng2005/deepseek-vision-skill)（MIT）的 StepFun 适配版：换了默认接口/