原生 Windows 折腾 Qwen-MM-Plugins：踩了 8 个坑，最后还是卸了
真实折腾记录：2026-08-12，在没有 WSL、没有 git 的原生 Windows 上，手动装配 Qwen-MM-Plugins 全套能力，装完用了一圈又卸掉。
需求
Claude Code 好用，但我的模型通道（DeepSeek 这类）原生没有识图能力。想让 Agent 能读截图、处理长视频，就得外挂视觉能力。网上搜到 Qwen-MM-Plugins——阿里系开源插件，一次性给 Claude Code 加 8 个能力：识图、云端 VL/Omni、长视频记忆、搜索、视频剪辑……看起来最全。
但我的环境很特殊：Windows 10 原生，无 WSL 发行版、无 bash、无 git，claude CLI 不在 PATH。官方安装器面向 Linux/macOS/WSL2，原生 Windows 标注"尚未完成验证"。于是只能手动装配。下面是全程踩坑实录，给想在原生 Windows 上折腾的人省点时间。
- 环境：Windows 10 原生，无 WSL、无 bash、无 git、claude CLI 不在 PATH
- 账号：阿里云百炼，模型
qwen3.5-omni-plus-2026-03-15（定版快照）
一句话结论
原生 Windows 上为识图折腾它，不值；它唯一让我觉得"这套东西有点东西"的，只有 video-memory（长视频记忆）。
- 识图（core + api）那部分，因为"粘贴的截图要找文件路径"而失败——最终被 claude-vision-skill 的
--clipboard（直接读剪贴板）秒杀； - 长视频（video-memory）是真价值，但我已有更顺手的方案：B 站视频字幕一键存进 Obsidian 本地知识库，交给 AI 整理；
- 最终：卸载 Qwen-MM-Plugins，识图改用 claude-vision-skill。
踩坑实录
坑 1：官方安装器在原生 Windows 上根本跑不了
官方 install.sh 引导器面向 Linux/macOS/WSL2，原生 Windows 标注"尚未完成验证"。我的环境连 bash 都没有，wsl --list 也是空。所以唯一路径是手动装配：uvx 从本地源码构建包 + 手动注册 skill + 手动注册 MCP server。
坑 2：uv 和 ffmpeg 都得自己装，ffmpeg 装完不在 PATH
- uv：
python -m pip install uv（简单，装完直接可用）； - ffmpeg：
winget install --id Gyan.FFmpeg -e，但 winget 装完当前终端 PATH 不刷新，必须手动把...\Gyan.FFmpeg_...\ffmpeg-9.0-full_build\bin加进用户 PATH 并重开终端，否则read_video/ 转写全报"找不到 ffmpeg"。
坑 3：源码放中文路径，uv 构建直接失败
工作目录在 F:\桌面\...（含中文），uvx --from "F:\桌面\...\[core]" 构建报错。必须把源码复制到纯 ASCII 路径（C:\Users\Administrator\qwen-mm-plugins\Qwen-MM-Plugins-main）才构建成功。
坑 4：模型默认值不是你的型号，要改 4+ 处
源码默认 VL 模型 qwen3.7-plus、Omni 模型 qwen3.5-omni-plus（无日期后缀）。你的账号开通的是定版快照 qwen3.5-omni-plus-2026-03-15，不改默认值直接 404。要改的位置：
| 文件 | 改什么 |
|---|---|
src/shared/api_openai.py |
DEFAULT_MODEL |
src/shared/api_omni.py |
DEFAULT_OMNI_MODEL |
src/capabilities/video-memory/skill/script/build_memory/llm_client.py |
DEFAULT_MODEL |
src/capabilities/video-memory/skill/script/build_memory/pipeline_worker.py |
--model 默认值 |
（Mac/Linux 还要改）build_memory.sh |
MODEL="..." |
坑 5：API key 要双保险
~/.qwen-mm-plugins/config（KEY=VALUE 每行一行）——源码约定：环境变量 > 配置文件 > 默认值，GUI 启动的客户端不继承 shell export，config 文件是兜底；- 另外在
.mcp.json/~/.claude.json每个 server 的env块里再冗余写一份。
坑 6：改完源码要重建，uvx 有缓存
改完模型默认值后直接跑 MCP server，uvx 用的是缓存的旧 wheel。必须 uvx --from "<路径>[@x]" --refresh qwen-mm-plugins-<cap> 或清 %LOCALAPPDATA%\uv\cache，改动才生效。
坑 7：装完必须重启 Claude Code
skill 和 MCP 都是启动时加载的，装完不重启，工具根本不出现。第一次折腾时还以为装失败了。
坑 8：8 个能力大半用不上
| 能力 | 评价 | 最终处置 |
|---|---|---|
core（本地读图/视频/文档） |
读图被剪贴板方案取代 | 卸载 |
api（云端 VL / Omni / OCR / ASR） |
识图同上；音视频理解有更顺手的方案 | 卸载 |
video-memory（长视频记忆） |
唯一真价值：层次图记忆 + 语义检索，30min+ 视频独一份 | 卸载（有替代） |
search（联网/反查图） |
联网搜索被 tavily 覆盖，反查图要另配 Serper key | 不装 |
video-edit / blender / freecad / edu-agent |
需要额外装 Blender/FreeCAD/Node 等，不需要 | 不装 |
用下来的真实感受
识图：输给了 claude-vision-skill
Qwen-MM-Plugins 的 read_image / vision_chat 都要先拿到图片的绝对路径再喂给模型。但你在对话框粘贴截图时，文件可能落在项目目录，也可能落在 %TEMP%\ScreenShot_*.png——大海捞针。每张图都要先 PowerShell 搜目录、猜最新文件，才能读。
而 claude-vision-skill 直接 --clipboard 读系统剪贴板：截图后剪贴板里还有图，粘贴即读，零找路径。识图这一仗，简单粗暴的脚本完胜。
长视频：video-memory 是这套东西最亮的部分，但被更顺手的方案取代
30 分钟以上视频，它构建一棵 4 层记忆树（Root → SuperEvent → MacroEvent → Subgraph），之后支持：语义搜实体/事件、搜屏幕文字（比分/字幕）、搜语音台词、按时间定位、事件计数。这个思路确实是独一份的。但实际体验下来，构建记忆要跑一整遍 ASR + VL（烧 token），而我的真实需求——“把视频内容沉淀成能搜索的本地知识”——用更简单的链路就解决了：
替代方案（视频内容 → 本地知识库）：
- 批量视频转字幕：用批量转字幕小工具，或通义听悟做 AI 转写（免费额度充足）；
- B 站视频一键存 Obsidian：Bilibili-Obsidian-Clipper 浏览器插件抓取视频字幕（作者/AI 字幕、多语言），配合 Obsidian Local REST API 插件（本地 HTTP，端口 27123）直接写成本地 Markdown；
- AI 整理：仓库里写
CLAUDE.md定死输出规范，用 Obsidian 的 Terminal / Claudian 插件调 Claude，把纯文本字幕整理成结构化笔记； - 结果进知识库随时全文搜索，原字幕归档。
详见原文：B站视频一键保存到 Obsidian：打通本地知识库
相比之下 video-memory 的"4 层图记忆 + 语义检索"更适合对单个长视频做深度问答（“45:30 发生了什么”、“进了几个球”），但为了这个去跑一整遍 ASR+VL 构建，日常知识沉淀场景不值。所以还是卸了。
最终取舍
| 项 | 处置 |
|---|---|
| Qwen-MM-Plugins 全部 skill + MCP | ✅ 卸载（源码、配置、CLAUDE.md 全清） |
| 识图 | ✅ 改用 claude-vision-skill（--clipboard 读剪贴板） |
| 长视频 | ✅ 改用 B 站字幕→Obsidian+AI 方案（tMtijfVX） |
经验
这次折腾最大的收获是三个判断：
- 识别类能力，剪贴板方案永远比路径方案好用。 只要"找文件路径"这一步让 Agent 来做，体验就崩了；直接读剪贴板才是人机协作的正确姿势。
- 能力最全 ≠ 最合适。 Qwen-MM-Plugins 一次给 8 个能力，但真正让我觉得"有点东西"的只有一个 video-memory，其余都有更轻的替代。装东西前先想清楚自己到底要哪一项。
- 原生 Windows 折腾这类 Linux 向项目，成本极高。 光 uv、ffmpeg、ASCII 路径、模型默认值、uvx 缓存这几个坑就够喝一壶——不是非装不可，真不建议碰。
给后来人的建议：
- 只在原生 Windows 上为了识图装它？ 别折腾，直接上 claude-vision-skill 这类剪贴板方案；
- 真的需要 video-memory 这种长视频图记忆？ 可以装，但只装
video-memory一个能力即可（core 会被它自动依赖），其他按需； - 无论如何：先确认 uv + ffmpeg + ASCII 路径 + 模型默认值 四件套，装完记得重启 Claude Code。
参考资料
- Qwen-MM-Plugins 项目：github.com/QwenLM/Qwen-MM-Plugins
- claude-vision-skill（识图替代方案）：github.com/asuojun/claude-vision-skill
- Bilibili-Obsidian-Clipper（长视频替代方案）：github.com/haixiong1997/Bilibili-Obsidian-Clipper
- 相关博客：B站视频一键保存到 Obsidian：打通本地知识库