这次我们来看一个最近讨论热度很高的 AI 编程组合DeepSeek-V4-Pro 模型 Codex 命令行 Agent再配一个识图 Skill 把视觉能力补上。这套组合的卖点很直接不换 IDE、不换工作流直接在 Codex 里把模型切成 DeepSeek-V4-Pro代码任务交给模型跑遇到图片、截图、UI 稿再让 Skill 去识别把图片内容转成文字喂回给模型。这篇文章按“装 Codex - 接 DeepSeek-V4-Pro - 加识图 Skill - 验证效果 - 排查问题”的顺序完整过一遍跟着操作能在本地跑通。如果你只想知道结论DeepSeek-V4-Pro 走的是 OpenAI 兼容 APICodex 天然支持这种接入方式识图 Skill 本质是一个带说明文档的本地脚本模型不具备视觉时用它做中转。对硬件要求不高只要一台能跑 Node.js 的电脑显存压力基本为零因为推理在远端 API 完成。1. DeepSeek-V4-Pro Codex 组合核心能力速览先把关键参数放前面方便快速判断这套组合适不适合你。能力项说明模型DeepSeek-V4-Pro另有 DeepSeek-V4-Flash 低成本档上下文标准版之外提供 1M 长上下文变体模型名写法为 deepseek-v4-pro[1m]接入协议OpenAI 兼容 APICodex 可直接切换模型本地显存基本不占用推理在远端 API 完成本地运行环境Node.js Codex CLI识图 Skill 视实现方式可能需要 Python安装方式Codex CLI 使用 npm 全局安装或桌面端内嵌再配置模型指向识图能力通过 Skill 脚本将图片转成文字描述或 OCR 文本批量任务支持按 API 并发循环处理即可适合场景命令行编程、代码审查、批处理标注、截图转代码、文档配图解析说明表格里的模型名和 API 行为来自当前公开信息实际可用性以申请到的 API 返回为准。DeepSeek-V4-Pro[1m] 这类长上下文标签在不同工具里可能带方括号或需要 URL 编码接入时要重点留意。2. 这套组合能解决什么问题边界在哪先说能解决什么问题。第一命令行 Agent 编程。Codex 本身就是为终端场景设计的 Agent可以在没有图形界面的服务器上用自然语言发起编程任务改文件、跑命令、提交代码都行。把模型切成 DeepSeek-V4-Pro 后相当于用一套习惯的 Agent 外壳接一个面向代码场景优化过的模型。第二低成本长上下文。1M 上下文意味着可以一次性把较大仓库、多个文件或一整份技术文档塞进去减少多轮对话导致的上下文丢失。这在做整库重构、跨文件调试时非常有用。第三视觉能力补位。DeepSeek-V4-Pro 从目前信息看是纯文本模型图片不能直接作为输入。识图 Skill 的方案是“图片先识别文本后喂入”Skill 读取本地图片用 OCR 或视觉模型生成文字描述再把描述作为提示词传给 Codex。这样截图、UI 图、示意图都能进入编程流程。再说边界。这套组合不是本地推理方案。DeepSeek-V4-Pro 通过 API 调用意味着两个实际问题第一网络需要能稳定访问模型服务不稳定会导致请求超时第二代码和对话数据会经过第三方服务如果项目代码属于敏感内容要先确认 API 调用是否合规不要把核心源码直接抛给外部 API。识图 Skill 也不是通用多模态。它依赖 OCR 或外部视觉模型的识别质量复杂图表、手写内容、模糊截图的效果会明显下降。涉及人脸、身份证、车牌等敏感图像时务必确认图片来源和授权范围不要在未经授权的情况下批量处理他人影像数据。3. 本地接入前置条件在安装前先对照下面的检查清单确认环境。3.1 系统要求操作系统Windows 10/11、macOS、Linux 均可纯终端操作不依赖图形界面。磁盘空间Codex CLI 本体很小主要是 npm 依赖和 Skill 脚本预留 2GB 以上更稳妥。内存2GB 以上即可识图 Skill 如果使用本地 OCR 模型建议 8GB 以上。3.2 运行环境核心依赖是 Node.js 和 npm。Codex CLI 通过 npm 分发需要 Node.js 18 以上版本更稳妥的判断是直接安装 LTS 版本。node -v npm -v如果输出版本号说明 Node 环境正常。没有安装的话去 Node.js 官网下载 LTS 版本安装完成后重新打开终端。3.3 API 账号与密钥需要先有 DeepSeek-V4-Pro 的 API 访问权限一般是在模型服务商控制台创建 API Key。创建后先确认两件事账号是否开通了 DeepSeek-V4-Pro 模型权限API 请求地址是什么通常形如https://api.deepseek.com以服务商实际提供为准。3.4 网络要求因为推理在远端完成终端需要能访问模型 API 域名。如果网络访问不稳定后面所有调用都会报超时或连接失败。接入前可以用 curl 做一个连通性检查curl -I https://api.deepseek.com能返回 HTTP 响应头说明网络链路正常。如果连不通先解决网络问题再继续不要在本地反复排查 Codex 配置。4. 安装最新版 Codex4.1 npm 全局安装打开终端执行全局安装npm install -g openai/codexlatest安装完成后验证版本codex --version能打印出版本号说明安装成功。如果提示command not found通常是 npm 全局 bin 目录没有加入 PATH解决办法是把 npm 的全局目录临时加到环境变量。macOS / Linuxexport PATH$PATH:$(npm prefix -g)/binWindows PowerShell$env:Path ;$(npm prefix -g)4.2 使用桌面端内置 CLI部分场景下Codex 是通过 ChatGPT 桌面端集成的而不是独立 CLI。这时候终端单独执行codex会找不到命令错误通常长这样unable to locate the codex cli binary. set codex_cli_path or ensure the eligible意思是找不到 Codex CLI 可执行文件需要设置codex_cli_path环境变量把它指向 Codex CLI 的实际路径。macOS / Linux 用户export codex_cli_path/Applications/ChatGPT.app/Contents/Resources/codexWindows 用户按实际安装位置设置$env:codex_cli_path C:\Users\你的用户名\AppData\Local\Programs\ChatGPT\resources\codex.exe设置完成后重新执行codex --version验证。如果拿到的是离线安装包同样要确认安装路径并把这个路径写进codex_cli_path否则启动时会一直报找不到 CLI。4.3 关于登录Codex 首次运行时可能要求登录。如果终端环境能跳转浏览器登录按提示操作即可。登录入口打不开时优先排查网络连接和系统代理设置不要急着改 Codex 的模型配置。登录状态有问题时后续调用会直接在鉴权层失败和 DeepSeek-V4-Pro 接入无关这一点先确认。5. DeepSeek-V4-Pro 原生接入 Codex这一节是核心。Codex 对 OpenAI 兼容 API 的适配比较直接把默认模型和 API 地址指向 DeepSeek-V4-Pro 即可。5.1 确认模型名写法从报错信息看接入时最常见的坑是模型名写错。不少报错长这样api error: 400 the supported api model names are deepseek-v4-pro, deepseek-v4-flash, and ...这说明 API 只认固定列表里的模型名不能带自定义前缀或额外描述字符。目前可用的模型名至少包括deepseek-v4-pro完整能力模型deepseek-v4-flash低成本快速档deepseek-v4-pro[1m]1M 长上下文变体不同工具对接时可能需要特殊处理。实际返回的完整列表以 API 文档为准上面按当前已知信息整理。接入时先把模型名原样复制不要手动加引号或空格。5.2 方式一环境变量配置在终端里设置环境变量是最快的方式。在.bashrc、.zshrc或 PowerShell Profile 中追加export OPENAI_API_KEYsk-你的DeepSeek密钥 export OPENAI_BASE_URLhttps://api.deepseek.com export CODEX_MODELdeepseek-v4-proWindows PowerShell$env:OPENAI_API_KEY sk-你的DeepSeek密钥 $env:OPENAI_BASE_URL https://api.deepseek.com $env:CODEX_MODEL deepseek-v4-pro设置后重启终端启动 Codexcodex5.3 方式二配置文件方式如果 Codex 支持读取配置文件建议把接入参数固化下来避免每次手动写环境变量。典型结构如下model: deepseek-v4-pro api_base: https://api.deepseek.com api_key_env: OPENAI_API_KEY实际字段名以安装的 Codex 版本支持为准。配置文件路径一般在用户目录下的.codex目录也可以通过执行codex --help查看默认加载路径。配置完成后可以删除临时环境变量用配置文件重启验证。5.4 1M 上下文变体的注意事项如果选择 1M 上下文变体有些工具的模型名识别算法不支持方括号和数字组合可能看到这类提示theres an issue with the selected model (deepseek-v4-pro[1m]). it may not exist解决方案有三个优先通过CODEX_MODEL环境变量指定完整模型名如果工具不支持方括号尝试 URL 编码写法deepseek-v4-pro%5B1m%5D仍然报错则退回标准deepseek-v4-pro长上下文能力等工具适配后再启用。不要选择不存在的模型名或自定义别名这类问题基本都会落到 400 错误。5.5 验证接入是否成功启动 Codex 后输入一句最简单的任务列出当前目录下的文件并解释第一个文件内容如果返回正常说明 Codex 已经通过 DeepSeek-V4-Pro 在执行任务。此时可以再问一句你的模型名是什么是否连接到了 deepseek-v4-pro观察回答是否可以准确描述当前模型配置。6. 配一个识图 Skill 补齐视觉能力6.1 Skill 机制是什么Skill 可以理解为 Agent 的技能脚本一个包含说明文档和可执行代码的目录。底层模型看到说明文档后知道“遇到图片时应该调用哪个脚本、脚本参数是什么、输出格式是什么”。Codex 和同类工具对 Skill 的支持方式不完全一样但基本都会读取类似SKILL.md的说明文件再按说明去执行外部脚本。6.2 识图 Skill 的目录结构推荐的识图 Skill 结构如下image-caption-skill/ ├── SKILL.md └── scripts/ └── describe_image.py目录名、脚本名都可以改但SKILL.md的说明必须和脚本实际行为保持一致否则模型会按错误的说明调用脚本。6.3 SKILL.md 示例SKILL.md负责告诉模型这个技能的使用条件、入口命令和输出格式。下面是一个可直接改用的示例为避免嵌套代码块这里用四个反引号包裹完整文件内容--- name: image_caption description: 读取本地图片路径输出图片的文字描述或 OCR 文本。 --- # 图片描述 Skill 当用户提供本地图片路径或者要求分析截图、UI 图、示意图时使用本技能。 ## 使用方式 运行以下命令 bash python scripts/describe_image.py --image /path/to/image.png 输出为纯文本包含两段 - OCR 文本图片中能读到的文字 - 画面描述对图片内容的中文描述。 ## 注意 - 支持格式png、jpg、jpeg、webp - 图片过大时先压缩 - 识别结果受图片清晰度影响模糊图片必须提示用户。6.4 描述脚本示例describe_image.py是实际执行识别的脚本。先安装依赖pip install pillow然后写一个最小实现先把调用链路跑通import argparse from PIL import Image def main(): parser argparse.ArgumentParser() parser.add_argument(--image, requiredTrue, help图片路径) args parser.parse_args() image Image.open(args.image) width, height image.size print(f图片尺寸: {width}x{height}) # 这里替换为真实 OCR 或多模态描述接口 # 例如调用服务商视觉模型或使用本地 OCR 引擎 text 图片中的文字: (待接入识别引擎) description 画面描述: (待接入视觉模型) print(text) print(description) if __name__ __main__: main()这个版本确认链路正常后再把中间的 TODO 替换为真实识别能力。可选方向有两个本地 OCRPaddleOCR、TrOCR、Tesseract处理文字类图片免费、离线适合敏感图片多模态 API把图片 base64 编码后传给支持视觉的模型生成画面描述适合 UI 截图和复杂场景。6.5 将 Skill 安装到 Codex 识别路径不同工具的 Skill 安装路径不一样。通用做法是把image-caption-skill目录放到 Agent 的 skills 目录下常见位置是用户目录下的.codex/skills/或项目下的.agents/skills/。放置后重启 Codex给一个测试图片路径帮我看看 /tmp/screenshot.png 里写了什么如果返回的是 Skill 的 OCR 输出说明识图链路已经生效。如果没有任何反应先检查 Skill 目录是否在工具的扫描路径内再检查脚本是否有执行权限。7. 功能测试与效果验证7.1 基础文本任务启动 Codex 后输入用 Python 写一个斐波那契数列函数并打印前 20 项预期输出完整代码和可验证的执行结果。如果长时间无响应检查 API 密钥、模型名和网络连通性。这里的失败和 Codex 本身无关问题大概率出在接入配置上。7.2 代码文件修改任务让 Codex 读取本地项目文件并给出修改建议读取 src/app.py找出可以优化的点并直接给出修改后的代码这一项验证的是 Codex 的 Agent 文件读写能力DeepSeek-V4-Pro 的代码理解能力直接决定输出质量。如果返回结果明显偏离代码实际内容优先检查是否给足了上下文路径必要时用绝对路径。7.3 长上下文任务选择deepseek-v4-pro[1m]后可以测试一次性灌入多文件读取 ./src 目录下所有 .py 文件整理公共函数清单注意观察三点是否出现模型名识别错误长文本输入进入 API 后是否超时输出是否能在 1M 上下文中正确引用早期文件内容。这一项最能反映长上下文变体是否真的可用。7.4 识图任务准备一张带文字的截图或 UI 图调用 Skill用识图技能分析 /tmp/ui-screenshot.png提取按钮文字和布局描述判断成功的标准输出包含图片中的文字内容输出对布局或画面元素有描述如果 OCR 结果为空应返回模糊图片提示而不是静默失败。7.5 稳定性和资源观察DeepSeek-V4-Pro 推理在远端完成本地资源占用主要来自三个方向Codex CLI 进程本身、识图 Skill 的 Python 进程、本地 OCR 模型的内存占用如果选择本地方案。任务运行中打开任务管理器或top命令观察如果本地 OCR 消耗过高建议改成多模态 API 方案或者对图片先压缩再识别。8. 接口 API 调用示例与批量任务DeepSeek-V4-Pro 提供 OpenAI 兼容 API可以直接用 HTTP 方式调用不必经过 Codex。写自动化脚本时这种方式更灵活。8.1 curl 调用curl https://api.deepseek.com/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer sk-你的DeepSeek密钥 \ -d { model: deepseek-v4-pro, messages: [ {role: user, content: 用一句话解释什么是上下文窗口} ] }返回 JSON 中的choices[0].message.content就是模型回答。如果返回 400 错误先检查model字段是否写成系统不支持的名字返回 401 则检查Authorization头里的 Key 是否有效返回超时则回到第 3.4 节检查网络。8.2 Python 批量任务批量任务的核心是循环、日志、重试。下面是一个可参考的模板import time import requests API_URL https://api.deepseek.com/v1/chat/completions API_KEY sk-你的DeepSeek密钥 MODEL deepseek-v4-pro def call_model(prompt: str, timeout: int 120) - str: payload { model: MODEL, messages: [{role: user, content: prompt}], } headers { Content-Type: application/json, Authorization: fBearer {API_KEY}, } for attempt in range(3): try: resp requests.post(API_URL, jsonpayload, headersheaders, timeouttimeout) resp.raise_for_status() return resp.json()[choices][0][message][content] except Exception as e: print(f第 {attempt 1} 次失败: {e}) time.sleep(2 * (attempt 1)) raise RuntimeError(调用失败超过 3 次) if __name__ __main__: prompts [ 总结这篇文章的要点, 找出这段代码的 bug, 把这份 JSON 转成 Markdown 表格, ] for i, prompt in enumerate(prompts, 1): print(f任务 {i}: {prompt}) print(call_model(prompt)) print(- * 40)批量处理时注意三点控制并发数避免触发限流每条请求写清楚日志方便失败追溯重试时使用指数退避不要紧贴着失败重发。如果任务是几百个文件的批量注释或总结建议先跑 3 到 5 条验证输出格式再放量执行。8.3 接入自己工具的路径如果想把 DeepSeek-V4-Pro 接进内部工具只需遵循 OpenAI 兼容协议替换三项API Base、API Key、模型名。大多数 Python 和 Node 的 OpenAI SDK 都支持直接修改base_urlfrom openai import OpenAI client OpenAI( api_keysk-你的DeepSeek密钥, base_urlhttps://api.deepseek.com, ) response client.chat.completions.create( modeldeepseek-v4-pro, messages[{role: user, content: 你好}], ) print(response.choices[0].message.content)这种接入方式意味着原本使用 OpenAI SDK 的现有项目改动成本很低只需要在客户端初始化时替换base_url和处理 Key 的方式。9. 常见问题与排查方法问题现象可能原因排查方式解决方案API 返回 400提示 model not supported模型名写错或不完整查看 API 完整报错信息中的支持列表改用deepseek-v4-pro或deepseek-v4-flash其他工具提示 not a model this version recognizes使用的工具不支持 deepseek 模型名确认工具类型和模型白名单切换到 Codex 或修改工具模型配置启动时 unable to locate codex cli binaryCodex CLI 路径未配置检查codex_cli_path环境变量设置 CLI 实际路径后重启终端日志提示 local proxy failed本地代理配置异常或代理拦截了 API 请求检查系统代理变量确认 endpoint 地址临时关闭代理或让 API 域名走直连选择 deepseek-v4-pro[1m] 报模型不存在工具不支持方括号模型名确认工具对上下文变体的解析规则用 URL 编码或用标准deepseek-v4-pro请求超时或连接失败网络无法访问 API 域名curl 检测 API 连通性修复网络后重试识图 Skill 返回空文本OCR 引擎未接入或图片模糊控制台打印中间结果接入真实 OCR 引擎或提示用户换清晰图片批量任务中间有任务失败限流、网络抖动、超时查看日志中的异常状态码增加重试和指数退避Codex 回答明显偏离代码内容Agent 未拿到完整上下文检查文件读取路径和上下文长度设置用绝对路径必要时采用 1M 上下文变体排查总原则先确认网络链路再确认模型名最后才是看代码逻辑。400 错误基本是模型名问题连接错误基本是网络问题上下文错误基本是工具适配问题。不要一上来就重装 Codex那样效率最低。10. 最佳实践与使用建议第一次接入时先跑一个小任务不要直接上大型重构。一个能正常返回的“最小任务”可以验证四件事API Key 有效、网络通、模型名正确、Codex 配置生效。批量任务务必加日志、超时和重试。日志字段建议包含任务编号、发送时间、状态码、耗时、失败原因。这样即使批量处理几百条也能快速定位是哪一条失败、失败在哪个环节。API Key 不要写死在代码里更不要提交到 Git 仓库。用环境变量或本地配置文件管理并控制 Key 的权限范围。如果怀疑 Key 泄露及时在控制台吊销重建。识图 Skill 要考虑图片授权问题。处理他人拍摄的图片、人脸照片、内部文档截图时先确认是否有处理权限。涉及敏感内容的图片优先选择本地 OCR避免把图片上传到外部视觉 API。输出结果要人工复核。AI 编程工具能把半成品做得很完整但依然可能出现逻辑正确但业务语义错误、引用不存在的依赖、修改了不该动的文件等情况。代码任务尤其要做 reviewAI Agent 只是助手不是最终决策者。11. 总结与下一步DeepSeek-V4-Pro 接入 Codex 这条链路值得先验证的点有三个模型名是否按 API 要求的格式写好codex_cli_path是否能被正确识别识图 Skill 的图片输入能否稳定转成文字。最容易踩的坑也在开头这几步模型名带括号导致 400、Codex CLI 找不到、Skill 目录放错位置。这几个问题都不涉及模型能力本身属于配置层按上面的排查表格走一遍基本能解决。下一步可以尝试的方向是把识图 Skill 从“文字描述”升级为“截图转代码”也就是先 OCR 提取 UI 结构再把结构说明交给 DeepSeek-V4-Pro 生成前端代码。这个流程跑通后整套组合的价值就从“能聊天”变成“能真正处理视觉相关的开发任务”。建议收藏备用。等你把 Codex 装好、Key 配好、Skill 放好再回来看这篇照着测试用例走一遍就知道这套组合好不好用。