别再口述截图：让它自己看

Qwen 那边开源了 Qwen-MM-Plugins，agent 从此能自己看图看视频，不再靠你口述。 场景摆开。你让编程 agent 修个网站，毛病你一眼就看见了，按钮太靠右、间距不对、手机上塌了。可它看不见截图，于是你一句句喂，往左挪一点、内边距小一点、不是那个按钮、看右上角，几个回合下来，你成了它的眼睛。 核心插件改的就是这一段。它直接读本地图片和视频帧，不用外部 API 那把钥匙，于是这些都能自己过目，截图、文档、代码图、数据表、三维资产、视频帧。不用再问你"这儿长什么样"，它自己瞅。仓库挂在 GitHub 上，已经约三千星，协议是 Apache 2.0。 插件系统还往外伸了几条，照录。要光学字符识别（OCR），有；目标检测，支持；语音转文字，支持；说话人分离，支持；字幕生成和视频事件分析，也都在清单上，接 DashScope 那条路的也接得上。 "你成了它的眼睛"这半句是全场重心。前面拍过的板留下那篇讲的是记账，这条讲的是看东西。跟前面一百万上下文那篇呼应，那条说能吞多大的料，这条说料是不是它自己过目的。跟前面别再口述截图是一体两面，一个管吞，一个管看，眼睛补上了，嘴才闲得下来。 协议和许可证这两样我留意，Apache 2.0 摆在那儿，商用那关先过了一半；三千星这个数也算社区给的第一枚图章。 我留的疑问有三处。读本地文件的延迟没给；插件之间互相调用会不会打架没说；视频帧一次读多少也没交代。 手上有 agent 修界面的，先把这个插件装上，把那句"看右上角"从自己的口头禅里划掉。