前两天 DeepSeek V4 Flash 正式版发布了。这个模型用很低的价格给出了很强的能力，并且完整支持 Responses API——Codex 正是通过这个格式与模型交互的，所以 DeepSeek V4 Flash 很适合配到 Codex 上使用。DeepSeek 官方目前还没有第一方的 Agent 工具，而 Codex 本身的产品功能做得比较完善，两者搭配是一个不错的选择。

这篇分享两件事：怎么在 Codex 里配置 DeepSeek V4 Flash，以及怎么补上它的一个短板——这是一个纯文本模型，不支持多模态，也不支持视觉识别。

在 Codex 里配置 DeepSeek V4 Flash

创建 API key

  1. 访问 DeepSeek 官网，首页有「开始对话」和「API 开放平台」两个入口，点「API 开放平台」。
  2. 点击「创建 API key」，随便输入一个名字，比如我这里输入 test，然后点击创建。

在 DeepSeek 开放平台创建 API key，输入名称

  1. 创建成功后弹窗会显示这串 key，点击复制之后再关闭弹窗。key 只在创建时显示一次，关闭之后就没有办法在管理界面重新查看了，要自己保存好。

API key 创建成功的弹窗，key 只在创建时显示一次

运行一键配置脚本

点击左下角的「接口文档」，在左侧找到「接入 Agent 工具」，点进 Codex 的条目。可以看到目前仅 DeepSeek V4 Flash 支持接入 Codex，V4 Pro 预计 2026 年 8 月初才支持。我要用的本来就是 V4 Flash，所以没有影响。

DeepSeek 接口文档里的 Codex 接入说明

文档提供了一个一键配置脚本，直接复制对应系统的命令就可以。macOS 或 Linux 在终端里执行：

bash <(curl -fsSL https://cdn.deepseek.com/api-docs/codex-deepseek-setup.sh)

Windows 在 PowerShell 里执行：

irm https://cdn.deepseek.com/api-docs/codex-deepseek-setup-en.ps1 | iex

一键配置脚本，macOS 和 Windows 各一条命令

我在终端里粘贴执行，脚本会依次完成这些事：

  • 提示选择要使用的模型：选 1 就可以，选项 2 的 V4 Pro 还不支持；
  • 要求输入 API key：粘贴刚才复制的那串 DeepSeek API key；
  • 自动备份原配置到 ~/.codex/backup-deepseek/，然后写入 DeepSeek 模型的元数据，并改写 ~/.codex/config.toml 里的必要字段。

在终端里运行配置脚本，选择模型并输入 API key

如果之后想还原回之前的 GPT 订阅配置，再次运行同一个脚本，在菜单里选第 3 项，就可以恢复到安装前的配置。脚本不适用的情况，也可以参考文档里的方式二，手动编辑 ~/.codex/config.toml，里面有完整的字段说明。

验证配置结果

这时候再打开 Codex，右下角的模型标识变成了 Custom，其实它就已经是 DeepSeek 模型了。我发送一句「你好」，它正常响应，左下角显示 DeepSeek，说明配置成功。界面里原本 Codex 的一些功能展示也会跟着变化。

配置成功后的 Codex 界面，左下角显示 DeepSeek

用 see Skill 补上视觉识别

DeepSeek V4 Flash 是纯文本模型，本身不能看图。要让它在 Agent 里具备多模态识别的能力，需要接入另外一个模型。这里用我自己写的一个 Skill，叫 see Skill（github.com/oil-oil/see-skill），它可以帮助纯文本模型在使用 Agent 的时候获得查看图片的能力：

  • 支持 OpenRouter、ZenMux、TokenDance 等聚合平台，这些平台的 API key 都可以直接用，配置好之后识别默认走 Qwen3.7 Plus 模型；
  • 即使不配置任何第三方模型，它也会主动调用电脑原生的 OCR 能力，比如 macOS 自己的视觉识别、Windows 自己的视觉识别。

see Skill 的 GitHub 页面

安装方法很简单，把下面这句话复制下来，粘贴到 Codex 里发送给它，它会自己完成安装：

安装 https://github.com/oil-oil/see-skill skill

实际识别效果

安装完成后试一下。输入斜杠 see，即使不输入斜杠也没关系，然后随便截一张图发给它。

把截图发给 Codex，使用 see Skill 识别

可以看到它已经能够描述这张图片的内容：中间是一条灰色的线，语音气泡形状里面带终端提示符。纯文本的 DeepSeek 模型现在能看图了。

see Skill 调用云端模型后给出的图片描述

接着我让它把 API key 去掉，再使用原生的视觉识别能力跑一次。它调用了 macOS 原生的 Vision OCR，识别出了图片里的文字「What should we build in museon?」，置信度 100%。

去掉 API key 后，macOS 原生 Vision OCR 的识别结果

两种方式的区别很明显：

  • 云端模型：能够理解画面内容，描述布局、形状和含义；
  • 本地 Vision OCR：只能看到图片里的文字，像我们前端开发里常见的 UI 查看需求，它就没办法处理了。

所以建议大家还是自己配一个单独的视觉识别 API key，让 see Skill 走云端模型，识别的内容会完整很多。