我给纯文本模型装了双「眼睛」：纯文本大模型也能看图了
起因：一个让人抓狂的 400 报错
自从用上 Claude Code，我的 coding 效率确实起飞了。但有个坎一直过不去--
像 GLM、DeepSeek 这类纯文本模型，在 Claude Code 里有个致命问题：
你截个 bug 图、贴个设计稿，想问它"这报错咋整""这页面照着还原一下"，结果直接 400 Bad Request。
原因很简单：这些模型压根不支持图片输入，Claude Code 把图片塞进请求里，上游直接拒收。
workaround 也不是没有：自己先把图丢给豆包/GLM-4V 识一遍，把文字描述复制回来，再喂给 Claude Code。能用，但每次都这么搞，人是会疯的。
于是我花了个周末写了 image-vision-mcp，一个让 Claude Code 拥有图像识别能力的 MCP server。一行 npx 接入，Ctrl+V 直接贴图，纯文本模型也能"看图说话"。
它能干什么
项目里其实是两个能力，可以单独用，也能组合用。
能力一：MCP 识图工具（默认）
给 Claude Code 装一个 vision_describe_image 工具，支持本地文件路径和网络图片 URL 两种输入。装完之后，对 Claude 说：
识别这张图：C:/Users/me/screenshot.png
描述一下这张网络图片：https://example.com/chart.png
按设计图还原规格解析：C:/Users/me/design.png
分析这个测试截图里的可见问题：C:/Users/me/bug.png
Claude 会自动调用识图工具。
能力二：HTTP 图片拦截代理（高级玩法，重点）
这才是真正解决痛点的部分。
你在 Claude Code 和上游 LLM 之间架一层本地代理（监听 127.0.0.1:8787）。当请求里带图片时，代理会：
- 拦截请求中的图片；
- 调一个视觉模型（豆包、Kimi、GLM-4V、Qwen-VL 任选）把图片转成文字描述；
- 把图片替换成描述文字，再转发给上游纯文本模型。
对上游模型来说，它收到的永远都是纯文本——400 报错？不存在的。
┌───────────────────────────────────────────────────────────┐
│ Claude Code │
│ ├─ 调用 MCP 工具 vision_describe_image -> 视觉模型 API │
│ └─ 发送消息（含图片）-> http://127.0.0.1:8787 (本代理) │
│ ↓ │
│ 代理拦截图片 -> 调视觉模型识别 -> 替换为文字 │
│ ↓ │
│ 转发纯文本请求 -> 上游 LLM API（如 GLM） │
└───────────────────────────────────────────────────────────┘
装好代理之后，体验是这样的：
在输入框里
Ctrl+V粘贴图片，随手打一句"这图里有啥问题"，回车。
不用先说"识别图片"，不用关心关键词——贴就完事了。
最让我得意的一个设计：自动分类识图
写这个工具的过程中，我发现一个事：不同类型的图，你其实想要的信息完全不一样。
- 设计稿 -> 你想要的是能直接还原的 HTML/CSS 规格、token、布局；
- 原型图/线框图 -> 你想要的是页面结构、交互逻辑的理解；
- bug 截图 -> 你想要的是异常信息、报错堆栈的定位分析；
- 普通图片 -> 老老实实描述内容就行。
所以我在 vision_describe_image 里内置了一个 auto 自动分类模式：视觉模型先判断这张图属于哪一类，再用对应的提示词模板输出结构化结果——而且是专门为纯文本大模型"能看懂、能接着干活"优化的结构。
四种模式可以显式指定：
| mode | 适用场景 |
|---|---|
auto（默认） | 自动判断，省心 |
design_rebuild | 设计图还原成代码规格 |
prototype_understanding | 原型图/线框图结构理解 |
bug_screenshot | 测试/异常截图分析 |
general | 普通图片描述 |
代理模式下也一样：哪怕你不写"还原/原型/bug"这些关键词，视觉模型也会先自动分类，再把对应的分析结果连同你的问题一起发给上游。
接入只要 1 分钟
Step 1：配 MCP server
编辑 ~/.claude.json（以火山方舟豆包为例，换成 Kimi / 智谱 / 通义都行，改下三个变量就好）：
{
"mcpServers": {
"vision-mcp": {
"command": "npx",
"args": ["-y", "image-vision-mcp"],
"env": {
"VISION_API_KEY": "你的火山方舟-api-key",
"VISION_BASE_URL": "https://ark.cn-beijing.volces.com/api/v3",
"VISION_MODEL": "doubao-seed-2-1-turbo-260628"
}
}
}
}
到这一步，MCP 识图工具已经能用了。想用代理粘贴图，再加 Step 2。
Step 2：让 Claude Code 走代理
编辑 ~/.claude/settings.json：
{
"env": {
"UPSTREAM_BASE_URL": "https://你的上游-llm-api-地址",
"ANTHROPIC_BASE_URL": "http://127.0.0.1:8787",
"ANTHROPIC_AUTH_TOKEN": "你的上游-llm-api-token"
}
}
重启 Claude Code，Ctrl+V 贴图，搞定。
支持的视觉模型（凡是 OpenAI 兼容 /chat/completions 端点、支持 image_url + base64 的都行）：
| 平台 | 模型示例 |
|---|---|
| 火山方舟（豆包） | doubao-seed-2-1-turbo-260628 |
| 月之暗面 Kimi | kimi-k2.6 |
| 智谱 | glm-4v-plus / glm-4.5v |
| 阿里百炼 | qwen-vl-max / qwen2.5-vl-72b-instruct |
| 硅基流动 | Qwen/Qwen2-VL-72B-Instruct 等 |
| OpenAI | gpt-4o / gpt-4o-mini |
小贴士：火山方舟上目前只有豆包系列支持视觉输入，GLM/DeepSeek 在方舟上是纯文本。要用 GLM-4V / Qwen-VL，走对应平台或硅基流动。
几个值得说说的工程细节
写完才发现，真正费功夫的不是"能跑通"，而是这些边角：
- 防 SSRF：默认拒绝访问内网/私有网络图片 URL，想放开得显式设
ALLOW_PRIVATE_NETWORK_IMAGES=1。一个本地代理不防这点，迟早出事。 - max_tokens 按模式分配 + 截断自动升级：不同识图模式输出长度差异很大，设计图还原可能很长。按模式分配 token 预算，输出被截断时自动升档重试，避免设计稿还原到一半断了。
我平时的用法
- 看报错：测试跑挂了截个图丢进去，"分析下这个测试截图里的可见问题"，比复制日志快；
- 还原设计稿：Figma 截图直接贴，"按设计图还原规格解析"，输出能直接拿去改的 HTML+token；
- 看原型图：产品给的原型线框图，"理解下这个页面的结构和交互"；
- 读图表：年报里的数据图、监控大盘截图，"分析下图表数据"。
本质上就是把 Claude Code 从"只能读字"变成"也能看图"，而且不挑后端模型——你继续用国产文本模型，识图这事儿交给专门的视觉模型。
写在最后
项目开源在 github.com/staticdeng/…，MIT 协议，npx -y image-vision-mcp 即用。架构上预留了扩展点，任何 OpenAI 兼容的视觉模型都能接，欢迎提 issue 和 PR。
如果你也在用 Claude Code + 国产模型，被"不能贴图"折磨过，不妨试一下。觉得有用的话，给个 ⭐ 是对我最大的鼓励 :)
