港大神器，让AI一条命令操控桌面软件！
你有没有遇到过这种情况：
让AI帮你做个视频剪辑，或者批量处理一堆图片。
结果AI的操作方式是：截屏，识别按钮位置，模拟鼠标点击。
稍微换个分辨率就崩了。
窗口弹出来挡住了关键按钮也崩了。
软件更新了界面也崩了。
老金我之前用各种Agent操控桌面软件，踩的最大的坑就是这个。
GUI自动化太脆了。
截图识别是能用，但用过的人都知道那种一言难尽的感觉。。。
上周刷GitHub Trending的时候，看到一个港大的项目。
名字很直白： CLI-Anything 。
口号更直白：Making ALL Software Agent-Native。
翻译成人话就是：一条命令，把任何软件变成AI能直接操控的命令行工具。
它的Star在猛增！昨儿还是6500，今天就9500了！
图片加载中…
这与老金之前去看黑客松冠军的Everything claude code时候的万物皆可Cli化的想法不谋而合。
难得的是，他们真的做出来了！
图片加载中…
它到底是什么
CLI-Anything 是港大数据智能实验室（HKUDS）开源的一个项目。
图片加载中…
这个实验室你可能没听过名字，但他们的项目你大概率见过。
LightRAG ，29000+星。
nanobot，32000+星。
RAG-Anything，14000+星。
说白了就是港大搞AI研究的一个王牌实验室。
CLI-Anything要解决的问题很简单。
让AI Agent不通过GUI截图点击，而是通过命令行直接操控桌面软件。
你指给它任何一个软件的源代码，它会自动跑一个7阶段的流水线 。
最后生成一套完整的命令行工具。
生成出来的CLI有几个特点：
每条命令都带 --json 参数
AI可以直接解析结构化数据，不用再OCR截图猜内容。
双模式运行
REPL模式，就是交互式对话，像聊天一样一步步操作。
子命令模式，一条命令直接搞定。
带撤销/重做
状态持久化，操作可以回退。
生成真实文件
LibreOffice生成PDF，Blender渲染3D场景，Audacity处理音频。
不是模拟，是真的调用了底层软件。
7阶段流水线怎么跑的
这是整个项目最核心的技术。
你把一个软件的源代码丢给它，它自动走7步：
1、分析软件架构和数据模型
2、设计CLI命令结构，把GUI操作映射成命令
3、实现核心模块，处理状态管理
4、写单元测试
5、跑端到端测试
6、验证生成的CLI符合标准
7、打包发布，pip install直接用
图片加载中…
整个过程全自动。
你只需要一条命令：
/cli-anything ./gimp
等它跑完，你就有了一个完整的GIMP命令行工具。
老金我看到这个流程的时候，第一反应是：这也太暴力了吧。。。
直接把GUI软件的源代码当输入，自动生成CLI。
不是调API，不是截图识别，是直接从源代码层面理解这个软件能做什么。
11款软件全部跑通，超1500个测试零失败
这是让老金我从怀疑变成真香的关键数据。
创意工具：
图片加载中…
1,508个测试（1,011单元测试 + 425端到端测试），100%通过率。
这个数据量说明什么？
说明这不是PPT项目。
每个软件都有大量的单元测试和端到端测试验证，真的能跑。
而且生成的不是简化版的CLI。
LibreOffice能操控Writer文档、Calc表格、Impress幻灯片。
OBS Studio能控制流媒体场景。
Stable Diffusion、ComfyUI这些AI绘图工具也能通过命令行操控。
所有生成的文件都是真实格式：ODF、MLT XML、SVG。
这一点很重要。
它不是在模拟软件的行为，而是真的在调用软件。
怎么装怎么用
方式一：Claude Code插件（推荐）
如果你在用Claude Code（Anthropic的AI编程工具），这是最简单的方式：
添加市场：
# Add the CLI-Anything marketplace
/plugin marketplace add HKUDS/CLI-Anything
安装插件
# Install the cli-anything plugin from the marketplace
/plugin install cli-anything
用一条命令构建 CLI
# /cli-anything:cli-anything <software-path-or-repo>
# Generate a complete CLI for GIMP (all 7 phases)
/cli-anything:cli-anything ./gimp
# Note: If your Claude Code is under 2.x, use "/cli-anything" instead.
完善和改进 CLI
# Broad refinement — agent analyzes gaps across all capabilities
/cli-anything:refine ./gimp
# Focused refinement — target a specific functionality area
/cli-anything:refine ./gimp "I want more CLIs on image batch processing and filters"
生成的命令行界面
# Install any generated CLI
cd <software>/agent-harness
pip install -e .
# Verify
which cli-anything-<software>
# Use
cli-anything-<software> --help
cli-anything-<software> # enters REPL
cli-anything-<software> --json <command> # JSON output for agents
运行测试
# Run tests for a specific CLI
cd <software>/agent-harness
python3 -m pytest cli_anything/<software>/tests/ -v
# Force-installed mode (recommended for validation)
CLI_ANYTHING_FORCE_INSTALLED=1 python3 -m pytest cli_anything/<software>/tests/ -v -s
方式二：手动安装插件
git clone https://github.com/HKUDS/CLI-Anything.git
cp -r CLI-Anything/cli-anything-plugin ~/.claude/plugins/cli-anything
在Claude Code里跑一下 /reload-plugins 就行。
生成的CLI怎么用
不管用哪种方式装好插件，指向任何软件源码就能生成CLI。
生成完成后，进到对应目录跑 pip install -e .，CLI就直接上PATH了。
cli-anything-gimp --help
这样就能看到GIMP的所有可用命令。
为什么CLI流比截图流好
老金我帮你理一下这两种方式的本质区别。
截图流（传统GUI自动化）
AI截屏，OCR识别界面元素，计算坐标，模拟鼠标点击。
问题：依赖分辨率、窗口位置、界面版本，任何一个变了就崩。
CLI流（CLI-Anything的方式）
AI发命令，CLI调用软件底层功能，返回结构化JSON结果。
优势：不依赖界面，不怕分辨率变化，输出可直接解析。
图片加载中…
打个比方。
截图流就像你雇了个人远程桌面帮你操作软件，他看得到什么取决于屏幕显示。
CLI流就像你直接给软件装了个遥控器，按哪个键干什么事，清清楚楚。
遥控器当然比远程桌面稳定一万倍。
举个实际的例子：
cli-anything-blender --json scene list
返回的是结构化的场景列表JSON，Agent直接拿来用。
不是一张截图让AI去猜这里有几个场景。
这个 --json 的设计思路很聪明。
人用的时候看到的是格式化的表格，机器用的时候拿到的是结构化数据。
一套CLI，人机通吃。
它的边界在哪
说了好的，也得说说限制。
图片加载中…
需要真实软件安装在本地
CLI-Anything不是模拟器。
你要操控Blender，本地就得装Blender。
没装的话测试直接失败，不会假装通过。
这是它的设计哲学： 零妥协 ，真实软件是硬性要求。
只能处理有源代码的软件
闭源的商业软件没法用。
Photoshop、Final Cut Pro这些，因为拿不到源代码。
这也意味着它天然偏向开源生态。
不是所有软件都能一把过
老金我翻了一下Issue区，有人用它包装gedit失败了。
说明复杂度低或者架构特殊的软件，7阶段管线可能不适配。
目前跑通的11款都是成熟的大型开源软件，代码结构规范。
另外第一次生成可能覆盖不全，官方建议跑 /refine 命令多迭代几次提升覆盖率。
还在快速增长阶段
9500+星说明社区高度认可，增长速度很猛。
但相比同实验室的LightRAG（29000星），CLI-Anything还是个年轻项目。
API可能会变，文档可能不全，踩坑的心理准备要有。。。
这件事意味着什么
往大了说，CLI-Anything代表的是一个方向转变。
AI Agent与软件的交互方式，从GUI自动化转向CLI原生。
以前你要让AI操控一个软件，要么写专门的API接口（没几个软件有）。
要么搞GUI自动化（截图点击那一套）。
现在有了 第三条路 ：自动把任何软件变成CLI。
对AI Agent生态来说，这意味着理论上任何开源软件都可以变成AI的工具。
不需要软件开发者专门适配。
你有源代码就够了！
想象一下这个场景。
AI Agent一条命令让Blender渲染一个3D场景。
再一条命令让Stable Diffusion生成一张图。
然后让Inkscape导出SVG。
最后一条命令让LibreOffice生成报告。
全程没有一张截图。
全程稳定可靠。
全程结构化数据交互。
这才是Agent操控软件该有的样子。
老金我的建议
Claude Code用户直接试
两行命令的事。
装个插件，体验一下AI操控Blender是什么感觉。
不好用再卸，没什么成本。
有批量自动化需求的
如果你经常需要批量处理图片、视频、文档，这个工具的思路值得关注。
比截图自动化稳定太多了。
纯观望的
如果你不用这些桌面软件，或者没有自动化需求。
先关注着就行。
这个项目还在快速迭代，等生态更成熟了再上手也来得及。
说到底，让AI操控软件这件事，截图流终究是个过渡方案。
说白了就是用一个很笨的方式（看屏幕猜按钮）去做一件本该很聪明的事。
直接发指令就完了，为什么要绕一圈截图？
CLI原生才是正道。
CLI-Anything可能不是最终形态，但方向是对的。
你们觉得呢？用AI操控桌面软件，你们踩过什么坑？评论区聊聊。