纯文本AI也能看图？1k star的视觉工具箱把DeepSeek逼成多模态

你用 DeepSeek、Codex 这种纯文本模型跑 Agent，最痛苦的事是什么？

我猜是：图片发不出去、截图它看不懂、UI 还原全靠嘴描述。

但你看 Anionex/agent-vision-toolkit 这个仓库——1k+ stars，干的就是把「视觉能力」从模型层搬到工具层，给任何文本模型装上一双眼睛。

它到底解决了什么？

传统思路：模型必须自己多模态，所以 DeepSeek 这种便宜能打的纯文本模型天然被排除在「能看图」的赛道之外。

这个项目的思路反过来：视觉能力不一定非得住进模型里，它可以住在 Harness 里。 作者在工具 + 技能层补了一套视觉管线，把图像问答、长截图 OCR、前端 UI 还原、GUI 自动化全都做出来，纯文本模型也能调用，效果甚至不输原生多模态。

一份「技能 + 工具」双层结构

仓库里其实给了两套东西：

• Vision tool CLIs：一组命令行小工具，加一个 SKILL.md 教会 Agent 何时该调哪一个。任何能调 shell 的 Agent（Codex、Claude Code、Pi、Oh My Pi、OpenCode）都能直接用。
• 可选的无缝集成：一个本地透明代理 + 单文件原生插件，你直接粘贴图片，Agent 自带的图片工具也能正常用，不需要任何额外提示词。

最贴心的一点——所有代码都在真实的 Codex + DeepSeek 会话里跑通过验证，Claude Code、Pi、Oh My Pi、OpenCode 同样做过端到端验证。这不是 PPT 工程，是真能用的。

谁最该装？

• 重度 DeepSeek 用户：终于不用每次看到 Claude/GPT 才能处理图片了。
• 前端工程师：UI 截图 → 代码还原这条链路，现在纯文本模型也能干。
• 自动化研究员：GUI 自动化、跨应用操作场景，受够了 OCR 抽风的可以试试。
• 穷鬼玩家：不想订阅 GPT-4V/Gemini 多模态，又想给 Agent 加视觉能力，这就是当下最务实的解。

上手成本

零依赖框架，主要就是一个 npm 包 + SKILL.md，配置按项目级放在 .claude/skills/ 即可。MIT 协议，作者还开放了 DeepSeek Harness 的原生 Profile Bundle 子模块（dsh-vision-toolkit），10 个结构化视觉工具直接当 DSH 官方扩展用。

更新也很勤，2026-08-18 刚把内置技能名从 vision-tools 改成 vision-skills，定位更清晰——讲的是能力，不是底层工具。

如果说之前「给纯文本 Agent 加眼睛」是奢侈品，那这套基本就是当下最务实的平替。装起来试试，被惊艳到了别忘了回来谢我 😎

GitHub： https://github.com/Anionex/agent-vision-toolkit

GitHub: https://github.com/Anionex/agent-vision-toolkit