我做了什么
我写了一个开源的 Codex 技能：read-image（识图）。
它的逻辑很简单：你贴一张图，它把图片交给视觉大模型"看图说话"，再把结果带回对话里给你。
默认走阿里云百炼的 Qwen-VL（有免费额度，日常使用几乎不花钱）
支持任意 OpenAI 兼容的视觉模型：GPT-4o、GLM-4V、Kimi 都能换
纯 Python 标准库实现，零第三方依赖，Windows / macOS / Linux 通吃
实测效果：把一张阿里云控制台的截图丢进去，几秒钟就返回里面的全部文字，一个不漏。
为什么值得装
不折腾：复制文件夹到技能目录 + 配一个 key，三步搞定
省钱：qwen-vl-plus 自带免费额度，识别一次几分钱甚至不要钱
可控：接口、模型、提示词全部可自定义，不绑死某一家厂商
安全：密钥只存在你本地，代码里没有硬编码，仓库里不会泄露
怎么用（真的只要三步）
# 1. 克隆 git clone https://gitee.com/jie_1999/read-image-codex.git
# 2. 复制到 Codex 技能目录 # Windows 示例：把 read-image 文件夹放到 # C:\Users\<你的用户名>\.codex\skills\ # macOS / Linux 则是 ~/.codex/skills/
# 3. 配置 API key（二选一） # 方式 A：设置环境变量 # DASHSCOPE_API_KEY=你的key # 方式 B：新建密钥文件 scripts/dashscope_key.txt # 里面放一行 sk- 开头的 key 即可
然后新开一个 Codex 对话，粘贴图片，说一句：
"识别这张图片里的文字"
完事。
想换模型？两个环境变量的事：
export DASHSCOPE_ENDPOINT="https://你的接口/v1/chat/completions" export DASHSCOPE_MODEL="你的模型名"
原理就三行话
图片 → base64 编码 → 发给视觉大模型的 chat/completions 接口 → 返回文字。
至于 Skill 本身，就是一份SKILL.md（告诉 Codex 什么时候该用）+ 一个几十行的 Python 脚本。这个思路谁都能复刻，我只是把坑都踩完了，打包好直接给你。
求个 Star
项目地址：https://gitee.com/jie_1999/read-image-codex
如果对你有用，欢迎 Star、提 issue、转发给同事和群友。也欢迎告诉我你还想让它识别什么场景，说不定下个版本就加进去了。
如果你也在用 Codex 干活，这个技能大概率用得上。装一次，之后一直能用。