# AI 千问把多模态做成插件，装进 Claude Code 和 Gemini——阿里的算盘是什么

- URL: https://davidyin.dev/writing/249-20260810-qwen-mm-plugins/
- 作者: David Yin
- 发布: 2026-08-10
- 标签: 阿里千问、多模态、插件、Claude Code、AI 生态
- 摘要: 这两年 AI 圈最热闹的仗是抢入口，阿里千问反着来：没把自家入口放第一位，先把最拿手的看图、读视频、读文档做成插件，装进 Claude Code、Gemini 这些对手的壳里。这篇讲它的算盘。

这两年 AI 圈最热闹的仗，是抢「入口」。你手机输入法里藏着的 AI 按钮，浏览器侧边挂着的助手，办公软件里随叫随到的对话窗——谁占了它，谁就占了你和 AI 说的每一句话。各家都往入口里塞自家模型，恨不得你睁眼就在它家聊天。

阿里千问今天干了一件反着来的事。它没把自家入口放第一位，先把自己最拿手的本事做成了插件。看图、读视频、看懂文档，这些能力现在能装进对手的壳里，比如 Claude Code、Codex、Gemini CLI。前两个是程序员在用的 AI 编码助手，Gemini CLI 是 Google 的命令行工具，不是手机里那个 Gemini App。官方原话：「从多模态模型 → 多模态智能体」。以前千问给你的是模型，现在给你的是能装进别人家助手的工具。

## 千问这几天连发四件新品，今天中午又官宣了一个装进对手壳的插件

这几天千问没闲着。旗舰模型发了，图像模型发了，视频模型也发了，App 端跟着更新，把新旗舰接了进来。今天中午，官方正式公开了一个开源仓库：Qwen-MM-Plugins，把「看懂世界」拆成七个能力包。读图和文档的、记长视频的、听懂音视频的、剪视频的、3D 建模的、画工程图的、把数学题讲成视频的，七样各成一个包。每个包都能单独安装，跟手机里挑 App 一样，想用哪个装哪个。

*截图：阿里云千问官方 X 官宣帖，八月十日中午*

*截图：README.zh.md 能力表（七个能力包），八月十日*

插件分两层。一层是 skill，一份说明书，告诉模型「你有这些工具、什么时候该用」；一层是 MCP server，干活的程序本体，要用的时候自动启动，不用自己配环境（MCP 可以粗略理解成 AI 调外部工具的插座）。装进你手头的 AI 工具就行。装完，你的助手多了一双眼睛，你说「看看这段视频讲了什么」，它真能看；丢过去一个 PDF，它能读。以前这些事，要么换带视觉的模型，要么自己折腾配置，现在一条命令的事。

安装器有个值得注意的细节。它没有发明自己的插件标准，直接调用各家工具的原生入口。Claude Code、Codex 走各自的原生插件市场；Gemini CLI 没有市场，就用它的原生命令注册 MCP 和 skill。一次配置，六个工具通用。安装器的价值不是统一标准，是把不同入口的安装动作包成一套流程。千问没打算让你换掉手里的工具。它打算让你手里的每一个工具，都顺手用上千问的能力。

这个选择挺反直觉的。这两年所有模型厂都在赌同一件事，自己做入口，把用户圈在家里。阿里手里也有自己的入口，千问 App、自家的编程工具都在做。但这次，它把自家能力和自家入口摆在同一排，谁家工具用户多，插件就装进谁家，包括对手的。其实这个仓库一周前就悄悄公开了，海外科技媒体在官宣前就报道过；到今晚成稿，中文圈的深度拆解还一篇都没有。

**不在同一个入口上硬耗，改当所有入口背后的供应商。** 可别扭的地方也在这。这些插件装进去的壳，基本是别人家的，只有 Qwen Code 是阿里自家。市场是人家的，审核是人家的，哪天人家把同类能力做成原生功能，或者改一条插件规则，你连个说理的地方都没有。你铺出去的每一寸能力，都长在别人的地皮上。

对普通用户来说，变化更直接。**以后你的 AI 助手，眼睛可能不是它自己的。** 今天你在 Claude Code 里让它读合同、看视频，背后至少有一部分工具能力来自阿里：读文件、抽帧、OCR、转写，按需再调用 DashScope。AI 能力开始像 App 一样，能插拔、能跨平台。

都开源了还免费，阿里图什么？这事儿没这么大方，答案在安装文档的一行小字里。

## 免费的是接入，付费的是千问的增强能力

插件本体用 Apache-2.0 协议开源，这是一种允许商用的开源许可证，代码随便看，随便改，商用也不收钱。翻到安装文档的配置页，会看到另一行。本地工具负责把图、视频、文档喂进去，这一步免费；你手头那个模型负责基础理解，也免费。想让千问亲自下场认字、转写语音、答视觉问题、生成内容，或者记住长视频，这些增强能力才要配一把叫 DashScope 的钥匙，那是阿里云的付费接口。

*截图：安装文档中 DASHSCOPE_API_KEY 配置段（opencode 配置块），八月十日*

**免费送眼睛，增强的脑子按量收费。** 读文件不花阿里的钱，你手上模型的日常理解也不走阿里云；真正进账单的，是你点名让千问来干的那部分。入门一分钱不花是真的，想深度用，账单是持续成本。顺带说一句，你让 AI 看懂的文件和视频，会经过阿里云的服务器，这不只是钱的问题。

这套分层设计得很清楚。开源负责把开发者引进门，付费接口负责把留下来的人变现。装插件的人越多，插件里那些走接口的能力被点得越多，阿里云的账单就越厚。对阿里来说，开源是获客手段，这话没错，但开源降低的是试用门槛，不是获客成本。从装插件到高频调用 DashScope，中间每一步都会掉人。

所以别把开源当成全免费。对个人开发者，零成本体验真功能，这是实打实的诚意；对要商用的人，理解力是长期租的，预算得算进去。

可顺着这个逻辑往下想，更拧巴的事还在后面。阿里在别人家的市场里卖能力，那它自己的仓库，现在到底几斤几两？

## 星数半天翻三倍，撑得起这份野心吗

我打开 GitHub 看了一眼。一个开源项目最诚实的地方，就是仓库本身。到今天（八月十日）晚上为止，这个仓库近八百颗星、二十二次提交，没打过任何一个正式版本号。官宣才半天，星数就从两百多涨到了近八百——这个涨速，本身就是「动作是真快」最直白的注脚。

*截图：Qwen-MM-Plugins GitHub 仓库页，八月十日*

近八百颗星，也只能说明它刚被看见，还不能证明社区真的要用。头部项目动辄上万星，它这个量级，绝大多数人今天才刚听说。再看官方示例手册，七个能力包，六个还写着 No case recorded yet，只有 core 一个包录了三个完整案例。第七个 omni-av 是官宣当天晚上刚合进仓库的，cookbook 同样空着。连官方自己都还没把示例补全。

*截图：cookbooks/blender/usage.md「No case recorded yet」原文，八月十日*

说实话，我看完仓库的第一反应很简单：动作是真快，底子也是真糙。

更要命的是，命门不在自己手里。插件装在别人家的市场，规则、审核、下架，全由别人说了算。Gemini 模型本来就原生会看图，插件给它补的是工作流、长视频记忆、3D 和 CAD 这些工具层；哪天 Claude Code 或 Codex 把这些也做成内置功能，插件存在的意义就得重新掂量。竞品能把基础看图做原生，先吃掉最高频的入口；剩下的长尾能力，得靠真实案例证明自己有人用。

但话说回来，正因为早，这一步才有意义。Apache-2.0 开源，顺着各家的安装入口分发，摆明了是先占位置再补课。多模态能力这一格，先在所有主流入口里占上。位置先占着，案例慢慢补，社区慢慢养——能不能养成，是另一回事。

所以这个开源到底几分成色，别听官宣怎么说。半年后看三样东西就够：代码提交记录（commit）还在不在更新，第三方案例有没有冒出来，DashScope 类工具有没有被真实工作流高频调用。前两项证明社区，第三项证明生意。三样都齐，就是真站住了；要是半年后还是官方自己在更新，社区静悄悄，那就是市场还没买账。

模型厂之间的竞争，正在冒出「谁的能力能装进更多人的工具」这个新战场。千问这次把球踢到了对手的半场，接不接得住，半年后见。我更愿意半年后看仓库和案例，而不是今天替它下结论。你会把这种第三方多模态插件装进自己的编码工具吗？

数据来源：
- 阿里云千问官方 X：《官宣帖 "From multimodal models → multimodal agents"》（八月十日）
- GitHub：《QwenLM/Qwen-MM-Plugins 仓库（Apache-2.0）》
- 千问官方仓库：《README.zh.md——七能力包与 skill/MCP 双层架构》
- 千问官方仓库：《install.sh——六个入口的原生安装器》
- 千问官方仓库：《docs/zh/installation.md——免费/付费 API 分层与 DashScope 密钥》
- 千问官方仓库：《cookbooks/core/usage.md——已录实测案例（其余六包暂未录案例）》