↑阅读之前记得关注+星标⭐️，😄，每天才能第一时间接收到更新

大家好，我是杰克王，AI 算法 6 年老兵。

一个用户在 Qwen-MM-Plugins 的 issue #35 里说：他们用 DeepSeek 或者单位部署的大模型，明明告诉它“要看图就调插件”，可跑到验证环节时，模型还是把图片塞给那个没有视觉能力的模型，然后任务直接断掉。

这个 issue 有 5 条评论，是仓库 open issues 里评论最多的一条。它戳中的痛点很真实：很多 Agent 不是没有工具，而是工具接上了，模型还是不知道图片该怎么进脑子。

这篇文章你能拿到三样东西：第一，Qwen-MM-Plugins 到底解决什么问题；第二，它的能力清单、安装方式和真实用户吐槽；第三，我把 README 中文全文完整附在文末，方便你直接判断要不要装。

一句话定位：让任何 Agent Harness 原生多模态

README 中文第一句写得很清楚：面向 Qwen 模型的原生多模态理解插件，让任何 Agent Harness 都具备原生多模态能力。

英文描述更直接：Make any agent harness multimodal-native.

截至我写稿的 2026-08-20 晚上，GitHub API 返回：2,734 Stars、159 Forks、Apache-2.0 License，仓库创建于 2026-07-29，主语言字段显示为 HTML。仓库里没有 Releases 页面条目，版本管理走 plugin-versions.json：distribution_version 是 1.0.7，核心能力 core 1.0.4、api 1.0.5、search 1.0.4、video-memory 1.0.3。

它不是“又一个视觉工具”，是把多模态拆成可安装能力

Qwen-MM-Plugins 的结构是：每个能力独立安装，由一个 Skill 加一个可选 MCP server 组成，安装名统一为 qwen-mm-plugins-<capability>。

能力清单里最关键的是 core：本地读取图片和视频，可视化文档、代码、数据、3D 文件，默认原生图片模式不需要 API key。api 负责 Qwen VL/Omni 视觉理解、OCR、grounding、ASR、分割和音视频理解，依赖 DashScope。再往外是 search、video-memory、video-edit、blender、freecad、edu-agent。

这个拆法的好处是，你不需要一上来装一个庞然大物。只想让 Agent 看懂 PDF 表格和截图，装 core/api 就够；要做长视频问答，再补 video-memory；要做中文数理讲解视频，再装 edu-agent。

安装和体验

README 给的安装方式是一行脚本：

curl -fsSL https://raw.githubusercontent.com/QwenLM/Qwen-MM-Plugins/main/install.sh | bash

更新某个 harness 里已安装能力：

curl -fsSL https://raw.githubusercontent.com/QwenLM/Qwen-MM-Plugins/main/install.sh | bash -s -- update

引导式安装器支持 Claude Code、CodeBuddy、Codex、Qoder、OpenClaw、Qwen Code 和 Gemini CLI；WorkBuddy、QoderWork、QwenWork 走应用内安装；DeepSeek Harness、Hermes Agent、opencode、pi、QwenPaw 有手动安装文档。

安装后用法很朴素：引用文件，直接提问。

@report.pdf          总结第 3 页，并提取其中的表格。@meeting.mp4         带说话人标签和时间戳转写这段会议。@place.jpg           判断照片拍摄地点，并联网核实。@lecture-2h.mp4      按时间戳列出这段长视频的主要观点。

真实用户卡点，比 README 更值得看

issue #35 的痛点是“图片还是会被传给没有视觉的模型”。这不是 Qwen-MM-Plugins 一家的问题，是所有 text-only 模型外挂视觉方案都会遇到的问题：工具在，但模型决策链路不稳，不知道什么时候该把图转成文字，什么时候该调用视觉工具。

issue #7 想要可插拔搜索后端。用户已经买了 Exa/Tavily，不想再为 Serper 单独开账号。这个需求很典型：Agent 工具链最后拼的不是 demo 效果，是现有订阅、现有 key、现有合规出口能不能复用。

issue #31 是 Windows 下 stdio MCP server 跑 3D 文件 visualize 会挂起。最扎心的是，同一个 worker、同一个解释器，在普通 Python 进程里 0.4 到 3.5 秒能跑完；一进 MCP server 进程就超过 150 秒不返回。这说明问题不在渲染算法，在 Windows 管道、子进程和 asyncio stdio 的交界。

issue #39 更有意思，有用户直接提案做 vision-proxy：在本地起一个常驻 HTTP 代理，自动拦截 Claude Code / Codex / Qwen Code 请求里的图片，先用 VLM 转成文字描述，再转发给上游纯文本模型。目标是让纯文本模型“表现像原生看图”，而不是依赖它偶尔想起来调工具。

closed issue #12 也值得记住：用户把 DASHSCOPE_BASE_URL 指向自托管 vLLM 或 Fireworks，vision_chat 和 ocr 能跑，只有 grounding 因为固定塞 enable_thinking 被严格校验的端点 400 拒绝。这个坑很工程：兼容 OpenAI 不等于兼容所有 OpenAI-compatible。

我的判断

Qwen-MM-Plugins 的价值不在“Qwen 又出了几个工具”，而在它把多模态能力做成 harness 可插拔层。过去是某个 Agent 应用自己接视觉、接 OCR、接视频；这个项目想把这层变成公共插件，让 Claude Code、Codex、OpenClaw、Qwen Code 甚至 DeepSeek Harness 都能复用。

但它现在还不是无脑装的生产件。原因有三个：第一，仓库才创建三周多，issue 里已经能看到 Windows、搜索后端、非 DashScope 端点这些真实摩擦；第二，很多高级能力依赖 DashScope 或系统程序，环境成本不低；第三，它要改的是 Agent 运行链路，出错时比普通脚本更难排查。

适合现在下场的人：做 Agent 基建的、做企业内部 harness 的、被“纯文本模型看图”折磨过的团队。只适合围观的人：只想找个工具总结一下 PDF 的普通用户，先用成熟应用更稳。

仓库：https://github.com/QwenLM/Qwen-MM-Plugins

附录：README 中文全文

下面是 README.zh.md 全文，来源：https://raw.githubusercontent.com/QwenLM/Qwen-MM-Plugins/main/README.zh.md，拉取时间 2026-08-20。

Qwen-MM-Plugins

English^[1] · 中文

面向 Qwen 模型的原生多模态理解插件，让任何 Agent Harness 都具备原生多模态能力。

架构

安装

引导式安装器支持 Claude Code、CodeBuddy、Codex、Qoder、OpenClaw、Qwen Code 和 Gemini CLI。 共享配置位于 ~/.qwen-mm-plugins/config。

WorkBuddy、QoderWork 与 QwenWork 的应用内安装，以及 DeepSeek Harness、Hermes Agent、 opencode、pi 和 QwenPaw 的手动安装方式见其他 Harness 安装^[2]。

curl -fsSL https://raw.githubusercontent.com/QwenLM/Qwen-MM-Plugins/main/install.sh | bash

更新某个 harness 中已安装的能力：

curl -fsSL https://raw.githubusercontent.com/QwenLM/Qwen-MM-Plugins/main/install.sh | bash -s -- update

正式能力使用彼此独立且不可变的发布 tag。本地 checkout、版本回退、手动 skill + MCP 安装、 依赖以及 Windows/WSL2 说明见安装文档^[3]。

能力

每个能力独立安装，由一个 Skill 和可选的 MCP server 组成；安装名统一为 qwen-mm-plugins-<capability>。

快速体验

安装能力后，引用文件并直接提问即可；Skill 会选择对应的 MCP 工具。

@report.pdf          总结第 3 页，并提取其中的表格。@meeting.mp4         带说话人标签和时间戳转写这段会议。@place.jpg           判断照片拍摄地点，并联网核实。@lecture-2h.mp4      按时间戳列出这段长视频的主要观点。

core 会以动态分辨率读取媒体，通常无需手动缩放。

依赖与配置

• uv^[12] 提供 uvx，按需安装 Python 依赖。
• 本地 core 工具在默认原生图片模式下无需 API key；纯文本图片描述 fallback、云端和搜索能力 需要对应服务的凭证。
• 视频、文档、浏览器、Blender 和 FreeCAD 工作流可能需要系统程序。

通过安装器的 Configure 和 Verify 操作设置凭证并检查依赖。系统要求见 安装文档^[13]，全部设置见配置参考（英文）^[14]。

文档

• 安装^[15]
• 配置参考（英文）^[16]
• 贡献指南^[17] · 本地开发^[18]
• 添加能力^[19] · 测试^[20]

许可证

Apache-2.0，见 LICENSE^[21]。Blender 与 FreeCAD 集成的第三方署名分别见 Blender NOTICE^[22] 和 FreeCAD NOTICE^[23]。

觉得有收获，点个在看支持一下 👇 感谢阅读。我是杰克王，欢迎加微交流 🚀

引用链接