一个零依赖、跨平台的开源工具，让不支持图片输入的 AI 编码助手（Trae、Claude Code、Codex、ZCode、WorkBuddy、OpenCode）通过 GLM-4.6V-Flash 视觉模型"看懂"图片。本文从真实使用场景出发，讲清楚它解决什么问题、怎么跨 6 大工具适配、以及如何上手。

一、痛点：你的 AI 助手其实是"瞎子"

如果你在用 Trae、Claude Code、Codex 这类 AI 编码助手，大概率遇到过这些场景：

• 截图报错：把 IDE 报错截图丢给 AI，它回一句"我看不到图片"

• UI 还原：给一张设计稿让它写前端代码，它说"无法识别图片内容"

• 流程图解读：发一张架构图让它讲解，它直接装聋作哑

• 差异对比：两张截图让它找不同，它表示无能为力

根源很统一：底层模型不支持图片输入。不管是 DeepSeek、Qwen 还是各种纯文本 LLM，遇到图片就歇菜。

解决办法传统有三种，都不好用：

方案	问题
人工转述	效率极低，复杂图表描述不到位
OCR 提取文字	只能提文字，"整体氛围""颜色搭配"全废
换多模态模型	得换整个助手或模型，成本高

see-glm 给了第四条路：不换助手、不换主模型，给它外挂一个"眼睛"。

二、方案：一座桥，而不是一个新模型

核心思路是桥接——主模型还是你正在用的那个（DeepSeek、Qwen 都行），遇到图片时，自动调用一个视觉模型把图看明白，再把结果带回当前会话。

 你的 AI 助手（不支持视觉）
  │ 用户发来图片路径，触发 Skill
  ▼
 see.py ──base64 原图──▶ GLM-4.6V-Flash ──▶ 视觉理解结果
  ◀─────────────────────────────────┘
  结果写回 Markdown，主模型直接读取

视觉端选的是智谱的 GLM-4.6V-Flash——思维链能力强、速度快、API Key 免费申请。整个桥接对用户透明：你只要把图片路径发给助手，它自己会"意识到看不见"，然后去借一双眼睛。

三、跨工具适配：6 大编码助手一套方案

这是 see-glm 区别于"又一个 CLI 工具"的关键。它不只是命令行脚本，而是同时是 6 种 AI 助手的 Skill 插件。

支持的工具

工具	适配包	适用人群
Trae	see-glm-trae.zip	字节系 AI IDE 用户
Claude Code	see-glm-claude.zip	Anthropic 生态用户
Codex	see-glm-codex.zip	OpenAI Codex 用户
ZCode	see-glm-zcode.zip	ZCode 用户
WorkBuddy	see-glm-workbuddy.zip	WorkBuddy 用户
OpenCode	see-glm-opencode.zip	OpenCode 用户

适配原理：Skill 协议 + 统一内核

6 个工具虽然各自框架不同，但都支持一种类似机制——Skill：在指定目录放一个 SKILL.md 声明触发条件和用法，AI 助手看到匹配请求就自动加载执行。

see-glm 的适配策略是内核统一、外壳分身：

• 内核统一：所有包共享同一份 scripts/（Python 主逻辑），分析能力完全一致

• 外壳分身：每个包里的 SKILL.md 按对应工具的协议格式编写，触发条件、路径占位符、输出约定都贴合该工具习惯

• 额外配置：Codex 和 ZCode 包额外带 agents/openai.yaml，适配各自的 Agent 框架

触发协议：三个关键约定

不管哪个工具，适配都靠这三条约定咬合：

1. 触发条件：用户消息出现图片路径（.png/.jpg/.jpeg/.gif/.webp/.bmp），或"查看/识别/分析图片"等意图时，Skill 自动触发。

2. 路径占位符：SKILL.md 里用 $SEE_DIR 表示 Skill 根目录，AI 执行时自行解析成绝对路径——装在哪都能跑，不用改配置。

3. 结果回传：脚本 stdout 只输出一行 output_path=/xxx/result.md，AI 助手读取这个 Markdown 文件，把视觉模型的分析带回会话。

对用户的体验是：装一次，以后直接发图片路径，剩下的事 AI 自己干。

四、真实使用场景

场景 1：报错截图秒诊断

把 IDE 报错截图发给 AI 助手：

 帮我看看这张图：D:\screenshots\报错.png

AI 会自动调用 see-glm，视觉模型提取报错信息 + 分析可能原因，结果直接回到对话。不用手打报错文字，不用切窗口。

场景 2：UI 设计稿还原

 根据这张设计稿写一个 React 组件：./design/login-page.png

视觉模型先描述设计稿的布局、配色、元素位置，主模型基于描述生成代码。比纯文字描述设计稿靠谱得多。

场景 3：多图差异对比

 比较这两个版本的 UI 截图差异：./v1.png ./v2.png

用 --together 模式让两张图进同一次请求，视觉模型在同一上下文里对比，能找出肉眼容易漏的差异点。

场景 4：远程图片直接分析

不用先下载，直接丢 URL：

 分析这张网络图片：https://example.com/architecture.png

see-glm 会下载、校验、分析一条龙。注意它做了 SSRF 防护——只允许 HTTPS、拒绝解析到内网/回环地址的 URL，不会被人当跳板探内网。

场景 5：流程图/架构图讲解

 讲解这张架构图：./arch/microservices.png

视觉模型能识别框图、箭头、层级关系，把架构图的逻辑讲清楚。比 OCR 强在它能理解"整体结构"，不只是提文字。

五、快速上手

第 1 步：下载适配包

到 Releases 页面（当前最新 v1.3.1），下载你用的工具对应的 ZIP，解压到该工具的 skill 目录即可。

各工具的 skill 目录（用户级）：

工具	目录
Trae	~/.trae-cn/skills/
Claude Code	~/.claude/skills/
ZCode	~/.zcode/skills/
其他	参考各工具文档

也可以从源码运行：git clone https://github.com/w-zjj/see-glm.git，要求 Python 3.6+。

第 2 步：配置 API Key

智谱 API Key 在 open.bigmodel.cn 免费申请，格式为 id.secret。

 python scripts/onboard.py          # 交互式引导配置
 python scripts/onboard.py --status # 查看配置状态

Key 存在用户私有目录（Windows 为 %APPDATA%\see-glm\config.env，macOS/Linux 为 ~/.config/see-glm/config.env），绝不进仓库，Unix 下自动设 600 权限。

第 3 步：直接用

在你的 AI 助手对话里发图片路径就行，不用记任何命令。也可以命令行手动调：

 # 单图分析
 python scripts/see.py screenshot.png
 ​
 # 带自定义问题
 python scripts/see.py error.png --task "提取报错信息并分析原因"
 ​
 # 多图并行（默认 3 并发）
 python scripts/see.py a.png b.png c.png --jobs 3
 ​
 # 多图联合对比
 python scripts/see.py --together before.png after.png --task "比较差异"
 ​
 # 分析远程图片
 python scripts/see.py https://example.com/photo.jpg
 ​
 # 指定输出文件
 python scripts/see.py image.png --output result.md

成功后 stdout 只有一行：output_path=/absolute/path/result.md。

六、命令参数速查

参数	说明
图片路径/URL	必填，支持本地路径和 HTTPS URL
--task, -t	自定义问题，原样发给视觉模型
--together	多图联合分析，所有图进同一次请求
--jobs, -j	并行并发数，范围 1-64，默认 3
--allow-partial	并行模式部分失败仍返回退出码 0
--model, -m	临时覆盖模型名
--output, -o	指定 Markdown 输出路径
--onboard	启动交互式配置

七、安全与可靠性：不止是能跑

这部分是 see-glm 区别于"快速糊出来的脚本"的地方。

安全加固

• SSRF 防护：远程图片只允许 HTTPS，每次请求都校验 DNS 解析结果，拒绝回环/私有/链路本地/保留地址，重定向逐跳校验

• 文件头校验：本地图片按 magic bytes 识别真实格式，拒绝伪造扩展名（把 .exe 改成 .png 骗不过去）

• 大小限制：单张本地图片 10MB、API 请求体 20MB、远程下载 50MB，防止超大文件拖垮会话

• Key 隔离：API Key 只存用户私有目录，.gitignore 默认排除配置文件

可靠性

• API 重试：408/429/500/502/503/504 自动重试，优先遵守服务端 Retry-After，否则指数退避，单次等待封顶 30 秒

• 并行保序：多图并行结果按输入顺序写入，不会乱序

• 部分失败友好：并行模式某张图失败不会让整批作废，失败项明确标记，默认退出码 2 提示部分失败，--allow-partial 可放行

八、配置项

配置优先级从高到低：环境变量 > 项目级 .env.local > 用户配置文件。

配置项	默认值	说明
GLM_API_KEY	无	智谱 API Key
GLM_BASE_URL	https://open.bigmodel.cn/api/paas/v4	API 地址
GLM_MODEL	glm-4.6v-flash	视觉模型名
GLM_MAX_TOKENS	8192	回复最大 token 数
GLM_MAX_RETRIES	3	临时错误重试次数，范围 0-10
GLM_THINKING	disabled	思考模式，enabled/disabled

想对接其他 OpenAI 兼容端点也行：

 export GLM_BASE_URL="https://your-endpoint/v4"
 export GLM_MODEL="your-vision-model"
 export GLM_API_KEY="your-token"

不包含点号的 Key 会直接当 Bearer Token 用；智谱标准的点号分隔 Key 会按 JWT 规则生成请求 Token。

九、和旧版的区别（给老用户）

如果你看过我之前那篇 ZCode 专版文章，这里列一下从那时到现在的主要变化：

维度	旧版（v1.0 时期）	现在（v1.3.1）
视觉模型	GLM-4.1V-Thinking-Flash	GLM-4.6V-Flash
工具适配	仅 ZCode	Trae / Claude / Codex / ZCode / WorkBuddy / OpenCode 共 6 个
安装方式	手动 cp 到 skill 目录	Release 页下载对应 ZIP，解压即用
远程图片	基本下载，无防护	SSRF 防护 + 文件头校验 + 大小限制
错误处理	基本捕获	重试 + 指数退避 + Retry-After + 部分失败策略
测试	无	18+ 单元测试，全 mock 无需真实 Key
发布	无 Release	6 个版本，每版按工具分包 + sha256 校验

十、小结

see-glm 解决的是一个具体而普遍的问题：AI 编码助手看不见图片。它不试图替代任何模型，而是做一座桥——让任何主流编码助手都能临时借一双眼睛。

如果你正在用 Trae、Claude Code、Codex 或其他几个支持的工具，并且经常被"模型看不见图片"卡住，可以试一下：

• 项目地址：GitHub - w-zjj/see-glm: see-glm 让不支持图片的 AI 也能看懂图片：零依赖、跨平台，通过 GLM-4.6V-Flash 视觉模型，支持单图、多图并行与联合对比，克隆即用。 · GitHub

• 下载适配包：Releases 页面

• API Key 申请：open.bigmodel.cn（免费）