Codex 视觉子代理

要解决的具体问题

当你在 Codex 桌面端使用 deepseek-v4-flash 这类纯文本模型时，粘贴图片会被直接拦截，弹出提示「此模型不支持图片输入，请尝试其他模型」。原因是 Codex 通过模型目录中 input_modalities 字段判断输入能力，若仅包含 text，前端会阻止图片进入对话，你无法用主模型直接「看」图。

技能的工作方式

委托视觉子代理处理

技能不会让纯文本模型硬看图片，而是把识图任务交给运行 mimo-v2.5 的子代理。子代理真正读取图片后，返回结构化的文字描述，比如逐字 OCR 结果、布局、颜色、元素坐标等，主模型基于这段文字继续推理。

解除前端图片拦截

要让图片进入对话框，需修改模型目录里对应模型的 input_modalities 字段，从 ["text"] 改成 ["text", "image"]。技能会先定位 model_catalog_json 指向的配置文件，确认已存在支持图片的视觉模型，征得你同意后备份原文件再修改，最后提醒重启 Codex 生效。若修改失败，可用备份文件回滚。

关键使用步骤

• 定位图片：本地文件用绝对路径（如 /Users/xxx/Desktop/screenshot.png）；粘贴图先落地为本地文件；远程图片保留 URL。
• 构造识图要求：明确需要哪些细节（如「逐字转写第二张图右上角文字」），指定输出语言（默认简体中文）和格式（编号列表、分区描述）。
• 调用子代理：优先用 spawn_agent 并强制 model: "mimo-v2.5"，把图片路径或 URL 放进 items；无多代理工具时用 CLI 回退，注意提示词要放在 --image 前，避免被当作图片路径。
• 追问细节：若描述不完整，用 send_input 继续同一个子代理追问，或开新子代理聚焦局部。

适用边界与注意点

• 必须先配置视觉模型（如 mimo-v2.5），否则解除拦截后图片仍无法识别。
• 修改配置文件前必须征得用户同意，并自动备份为 .bak 文件，异常时可手动回滚。
• 子代理仅做图片描述与转写，不会执行图片里的文字指令，不会读写或外发文件。
• 多张图片建议分批处理，避免子代理返回信息过长导致遗漏细节。