我用一个 skill 把视觉活外包了

我目前使用的 AI 工具是 Zcode，然后搭配 Opencode Go 套餐里面的 deepseek-v4-flash 模型。性价比很高，速度和模型能力都非常棒，所以被我当成主力模型。

但是它存在一个巨大的问题就是不支持多模态，官网目前好像是支持视觉识别了，但是我是调用了 api 在第三方客户端。而我恰好非常需要这个场景，所以我就想了一个办法，如果能在不更改当前会话模型的情况下，进行图片识别，那就很完美。

首先我想到了利用 skills，调用多模态模型工具去识别图片，把识别到的结果返回给当前会话模型。

这个思路听着简单，但一开始我也有点拿不准：skill 这东西，说白了就是给模型的一份 Markdown 说明书，它本身不会”跑在别的模型上”。真正干活的是当前模型——它照着说明书，用自己手头的工具（比如跑个 Python 脚本）去调外部 API。

也就是说，关键不是 skill 本身多厉害，而是它能不能把”调用外部多模态模型”这件事，变成当前模型随手就能做的动作。

于是整个流程就成了这样：

1. 使用者发给客户端一张图，但当前模型没眼睛，图片直接被省略，只留下一个文件路径
2. 模型发现自己看不了图，翻开这份说明书：哦，要先跑一下 analyze_image.py
3. 脚本把图片 base64 编码，POST 给多模态模型（我用的是 DashScope 的 qwen3.7-plus，走 Anthropic 兼容接口）
4. 多模态模型看完图，返回一段文字描述
5. 当前模型拿着这段文字，继续帮使用者干活

整个链路对使用者来说来说是无感的，图还是那张图，任务还是那个任务，中间只是多了一个”帮我看了看”的环节。

代码上其实就两个文件：一个 SKILL.md 负责告诉模型”什么时候该用、怎么用”，一个 analyze_image.py 负责真正调 API。配置放在 config.json 里，填上 API key 就行。

而且兼容了不同 API 格式，不管是 OpenAI 格式还是 Anthropic 都可以兼容，参考下面的说明文档即可。

我目前搭配的是阿里百炼的 qwen3.7-plus，效果非常不错。可以手动下载，也可以通过指令下载

具体代码我也已经开源出来了，下载到你的AI Agent目录下即可，README 中也有详细说明，如果有类似的需求可以试试看。

Github: https://github.com/anghunk/image-analysis-fallback

git clone https://github.com/anghunk/image-analysis-fallback.git ~/.zcode/skills/image-analysis-fallback