我不是小布丁
@xiaobuding
Qwen 团队开源了 Qwen-MM-Plugins：让你正在用的那个 agent 直接能看图、能看视频——GitHub 2983 星、Apache 2.0，8 月初放出第一版，一个多月里已经连加八组插件（仓库：github.com/QwenLM/Qwen-MM… ）。
它戳的痛点很具体：让写代码的 agent 帮你调界面，它看不见截图，你只能用文字把"按钮在右上角、间距太大"来回描述，对好几轮还对不上。core 插件默认不用任何 API 密钥就能读本地图片和视频帧——文档、代码、数据表、3D 模型直接看；要更重的能力再挂 api 插件（OCR、目标定位、语音转文字、区分说话人、字幕、事件分析），要查资料挂 search 插件（Serper、Exa、Tavily 都能接）。
安装面也很宽：Claude Code、Codex、Gemini CLI、Qwen Code，装进哪个都行。
把这两天的三条串起来看，图景就完整了：昨天发的 mobile-mcp 让 agent 摸得到真机、cua 让它点得动界面、今天这组让它看得见画面、听得见声音——原帖那句总结到位：能看、能听、还能动手，agent 的感官配齐了。
"说、写、查、点、看、听"六样凑齐之后，agent 与人的协作界面才真正对等：以前你替它看（文字转述截图），以后它自己看，你只负责说要什么——这正是"黑箱时代判断力是唯一输入"在感知层的最后一块拼图。
两个细节值得单独夸。其一，"默认不用密钥、本地读取"——数据不出门，正是这周数据边界三连一直在争的那件事，官方插件把它做成默认项。其二，mhs 插件操作摄像头、传感器、灯和机械臂时，主机端带安全限制和紧急停止——能动手的东西必须配急停，这与"无论被告什么都不许做"是同一条纪律落到硬件上的样子：先保证停得住，才谈让手伸出去。
留一格清楚的边界：插件质量参差是生态常态，八组插件的成熟度各不相同，上手前先看各自的 issue 与文档；硬件操作那组尤其要小心——接真设备之前，急停和权限务必先验一遍，别让演示事故变成真实事故。
给想给 agent 配"感官"的人一句落地的：先从最痛的那一格开始——你最常"用嘴描述画面"的场景，就是最该装的插件；装完把那次来回五轮的沟通压成一次"你自己看"，省下的轮次就是它的安装价值。
