01

一個把后端逼瘋的需求

我有個朋友，特別喜歡寵物，有一天他找到我，神秘兮兮地說：“我想到了一個絕妙的點子，你能不能幫我實現(xiàn)了？”

我說：“什么點子？”

他說：“我想弄一個寵物領(lǐng)養(yǎng)平臺.....”

我一聽就打斷他：“得了吧，這樣的平臺太多了，你再做一個也沒啥意義......”

可他就是喜歡，執(zhí)意要做，說什么“也不想賺大錢，就在寵物圈里用。”

我被纏得沒辦法，又想到了最近AI Coding工具比較火，也許我很快就能給他鼓搗一個網(wǎng)站出來，就答應(yīng)了。

真正做的時候，我就后悔了，我是做后端開發(fā)的，當(dāng)年選擇后端，一個重大的原因就是害怕做界面，我做的界面一點兒美感都沒有。

但是既然答應(yīng)了，也只能硬著頭皮上了，在AI Coding工具的輔助下，迅速就生成了第一版：

我把界面截圖發(fā)給他看，他說：“哥，你這界面設(shè)計得也太‘素凈’了吧，感覺還是20年前的風(fēng)格......”

我說：“這已經(jīng)達到我的美學(xué)極限了，你看看那邊框還有陰影呢！”

他半天沒吭聲，然后給我甩過來一張圖：“就照著這個做！”

我一看就傻眼了，這哪里是我一個后端程序員能干的事兒? 這得找專業(yè)設(shè)計師和前端啊。

正在發(fā)愁期間，我突然想到了最近智譜開源的GLM-4.6V，我看介紹說有非常大的突破，不再僅僅是一個“視覺問答”模型，而是具備了“視覺執(zhí)行”能力——能夠根據(jù)視覺輸入直接調(diào)用工具（Function Call），打通從感知到行動的閉環(huán)。

而且我之前還購買過智譜的Coding Plan，他們可以通過MCP讀取圖片，然后生成對應(yīng)的代碼。

GLM-4.6V 在 MMBench、MathVista 等 30+ 評測中表現(xiàn)優(yōu)異。106B 版本比肩 2 倍參數(shù)量的 Qwen3-VL-235B；9B 的 Flash 版本性能超過 Qwen3-VL-8B。

它還有超長的128k 上下文（約等于 150 頁文檔或 1 小時視頻），支持“過目不忘”的長視頻理解和多文檔分析。

既然如此，那我就可以把朋友的圖發(fā)給GLM-4.6V，讓它直接給我生成HTML頁面，然后我再和后端集成一下不就行了？

02

截圖直接變網(wǎng)頁

說干就干，立刻打開chat.z.ai ，選擇GLM-4.6V 模型。

選擇“網(wǎng)頁復(fù)刻”，把圖片傳上去，要求它生成html代碼。

值得注意的是，朋友給的截圖中是有圖片素材的，我要求它把圖片也生成，不要弄個占位符在那里，很難看。

但這對GLM-4.6V就提出了新的要求，它必須得能精確地理解截圖的內(nèi)容，從中找出對應(yīng)的圖片，然后還得去網(wǎng)上搜索，然后放到指定位置。

很快，GLM-4.6V就把網(wǎng)頁給復(fù)刻了出來：

雖然不能說是100%一樣，但也八九不離十了，尤其是它找到了正確的圖片，放到了正確的位置，這一點確實是很驚艷。

我也試了一些其他的工具，它們做出的效果就差不少了，布局一般不說，關(guān)鍵是那大面積的圖片空白，看著非常難受。

我把新頁面發(fā)給了朋友，他看了下又提了個要求：“紫色不好看，改一下?！?/p>

這難不住我，我只需要告訴GLM-4.6V改個顏色就行，只要朋友能忍受我這直男的審美。

新顏色很快出爐：

朋友看到后，又提出了新需求：

“那個Meet Them的框太大了，弄小一些”，

“哥，英文的怎么行，得改成中文啊”

我被折騰得不勝其煩，最后干脆讓他自己去用GLM-4.6V去設(shè)計了，反正也是自然語言交互，不用什么專業(yè)程序員的能力。

等朋友弄好了，我把它集成起來就行。

我把注意力轉(zhuǎn)向了智譜GLM-4.6V提供的MCP Server，程序員肯定要在IDE中使用嘛。

智譜的視覺MCP Server 支持Claude Code,Cline等多種AI Coding客戶端，我用VS Code的插件Cline，配置起來也非常簡單：

}

API Key需要到智譜AI開放平臺（https://bigmodel.cn/）上去申請一下，這里不再詳述。

在Cline中用起來也非常簡單，只需要@一個圖片，然后就可以讓它工作了。

生成的效果如下：

03

視覺執(zhí)行大師

看到這里，你可能覺得，這個GLM-4.6V是不是只能編程??？ 這種看法就太狹隘了，GLM-4.6V是具備“原生視覺執(zhí)行能力”，各種視覺相關(guān)的任務(wù)都可以干。

GLM-4.6V能自主規(guī)劃、調(diào)用搜索/清洗工具，并處理返回的圖表或截圖，實現(xiàn)真正的 Agent 閉環(huán)。

比如，你上傳一幅一幅的圖片，它就可以獨立完成從「看圖」、「比價」、「生成導(dǎo)購清單」的完整鏈路。

你給它發(fā)一個足球比賽的視頻，它就能自動找到哪個隊在什么時候進的球，形成一個比分時間軸總結(jié)。

至于復(fù)雜圖文理解，多模態(tài)工具調(diào)用跟是不在話下，比如，我發(fā)給它一個PDF，要求它轉(zhuǎn)換成一個圖文并茂的文章：

可以看出，GLM-4.6V不單是從PDF中總結(jié)了文字內(nèi)容，更是把相關(guān)的圖片也提取了出來，組織成了一篇圖文并茂的文章。

04

值得親自嘗試

GLM-4.6V展示的效果，簡直就是后端程序員處理UI需求的救星，看到它的效果，恐怕你也想試試了吧？

現(xiàn)在該模型已全面接入智譜 GLM Coding Plan，通過 MCP 協(xié)議大幅提升前端復(fù)刻與可視化調(diào)試效率。

我去官網(wǎng)看了下，現(xiàn)在智譜正在進行跨年特惠限時促銷，Coding Plan非常誘人，目前首月最低僅需20元！有邀請券還可享9折優(yōu)惠，擁有 Claude Code 三倍用量！

同時還贈送智譜AI輸入法，用語音的方式直接調(diào)用大模型的能力，連打字都不用了。

季付和年付還有額外折扣，這波羊毛不薅的話實在是可惜了！

強烈建議大家來試一試，體驗一下GLM-4.6V的便捷和強大：

https://bigmodel.cn/glm-coding