港大这个 4.5 万星的项目，把「AI 不会用软件」这道坎铲平了

先说结论

Agent 现在最大的短板不是脑子，是手。

模型推理已经够用了，但你让它去用 Blender 建个模、用 GIMP 批处理一批图、用 LibreOffice 出份 PDF，它就抓瞎。过去三条路都不好走：截图点鼠标（脆得一批，改个界面就崩）、调官方 API（大部分软件根本没有，有也只开放 10% 的能力）、重写一个简化版（丢掉 90% 的专业功能）。

港大数据智能实验室（HKUDS）开源的 CLI-Anything 走了第四条路：别去适配软件，直接把软件翻译一遍。

一行命令丢给它一个代码库，它自动读源码 → 设计命令组 → 写出一整套 Click CLI（带 JSON 输出、带 REPL、带撤销重做）→ 写单元测试和端到端测试 → 打包装进 PATH。原来给人用的 GUI 软件，就这么变成了 Agent 能直接调的原生工具。

这件事的分量在于：它把「让 AI 会用某个软件」从一个人工外包工程（找人写插件、写 MCP、写适配层），变成了一个可批量执行的自动化流程。

一、项目本体：核实过的事实

先把数据核准了再说，短视频里的数字都会滞后。

项目	实际情况（2026-07-23 核）
仓库	`HKUDS/CLI-Anything`
一句话定位	Making ALL Software Agent-Native
Star	45,750（视频里说 40k，是几天前的数，现在更高了）
Fork	4,278
开源协议	Apache-2.0（商用友好，这点重要）
建仓时间	2026-03-08（才 4 个多月，涨到 4.5 万星）
榜单	GitHub Trending #1 Repository of the Day
依赖	Python ≥3.10、click ≥8.0
测试规模	README 徽章标 2,461 条测试通过，覆盖 18 个真实应用
技术报告	有 arXiv 论文，不是纯 demo 项目
官方口号	Today’s Software Serves Humans. Tomorrow’s Users will be Agents.

那句口号我很喜欢：今天的软件服务人类，明天的用户是智能体。

它不是在做一个工具，是在赌一个软件形态的换代。

二、它到底怎么工作的：7 阶段流水线

这是全文最该抄走的部分。你丢一个软件路径进去，它跑完这 7 步：

Analyze 分析 —— 扫源代码，把 GUI 上那些菜单动作映射到底层 API
Design 设计 —— 规划命令分组、状态模型、输出格式
Implement 实现 —— 生成 Click CLI，配 REPL 交互、JSON 输出、undo/redo
Plan Tests 计划测试 —— 先写出一份 TEST.md 测试计划（单测 + 端到端）
Write Tests 写测试 —— 把测试真的实现出来
Document 记录 —— 把跑测的结果写回 TEST.md
Publish 发布 —— 生成 setup.py，pip 装进 PATH

外加一个 Phase 6.5：自动生成 SKILL.md —— 从 Click 装饰器、setup.py、README 里抽元数据，直接产出一份带 YAML frontmatter 的技能说明，让 Agent 能自己发现「我有这个能力、该怎么调」。

这个流水线设计本身就值得单独学一遍。 注意它的顺序：分析 → 设计 → 实现 → 先写测试计划、再写测试 → 记录结果 → 发布。生成代码这类活最容易翻车在「看着能跑其实全是玩具实现」，它拿测试当硬闸卡在中间，而且是先出计划文档再写测试——这就是我一直讲的「生成器和评估器要分离」。让同一个脑子边写边自我感觉良好，产出必然虚；让它先立标准、再按标准验，才有真东西。

还有个细节：跑完一遍不满意，可以反复精修。

# 全面精修：让它自己做能力缺口分析
/cli-anything:refine ./gimp

# 定向精修：指定方向补
/cli-anything:refine ./gimp "我要更多图像批处理和滤镜相关的命令"

每次 refine 都是增量、非破坏性的——先做「软件全部能力 vs 当前 CLI 覆盖」的差集分析，然后只补缺口。跑几轮，覆盖率越滚越厚。

这个「差集分析 + 增量精修」的模式，可以直接搬到任何自动化生成的活上。

三、上手路径：两个入口

官方把入口分成了两条，别搞混：

入口 A：直接用别人已经造好的 CLI（推荐先走这条）

pip install cli-anything-hub

cli-hub list              # 看看有哪些现成的
cli-hub search image      # 按关键词搜
cli-hub info <name>       # 看某一个的详情
cli-hub install <name>    # 装
cli-hub launch <name>     # 跑

CLI-Hub 是个社区注册中心，别人给 Blender、Obsidian、Calibre、Zoom、Joplin、Rekordbox 之类做好的 CLI 都在里面，装了就能用。

入口 B：自己造一个新的

以 Claude Code 为例（它也支持 Pi、OpenClaw、OpenCode、Codex、Qoder、GitHub Copilot CLI 等多个 Agent 平台）：

/plugin marketplace add HKUDS/CLI-Anything
/plugin install cli-anything
/cli-anything ./gimp          # 或者直接丢一个 GitHub 仓库地址

⚠️ Windows 用户注意：Claude Code 的命令是走 bash 执行的，得先装 Git for Windows（带 bash 和 cygpath）或者用 WSL，不然会报 cygpath: command not found。这条坑官方 README 专门写了，我用 Windows，感谢它写了。

四、它能吃下什么：覆盖面比我预想的宽

官方列的类目，挑几个有代表性的：

创意媒体：Blender、GIMP、OBS Studio、Audacity、Krita、Kdenlive、Shotcut、Inkscape、Darktable
科学计算：FreeCAD、QGIS、ImageJ、KiCad、ParaView、Stellarium
AI/ML 平台：ComfyUI、Stable Diffusion WebUI、Ollama、Open WebUI、AnythingLLM、Fooocus
办公企业：LibreOffice、NextCloud、GitLab、Grafana、NocoDB、Odoo、AppFlowy
开发工具：Jenkins、Gitea、Portainer、pgAdmin、SonarQube、ArgoCD、DBeaver
图表可视化：Draw.io、Mermaid、PlantUML、Excalidraw
游戏引擎：Godot、Unreal（社区提的 UEAtelier）
甚至还有：Zoom（拉会议纪要/下录像）、Obsidian（笔记自动化）、Calibre（电子书库）、VideoCaptioner（字幕全流程）

演示里最能说明问题的一个：Agent 用生成的 FreeCAD CLI，一步步搭出了一辆好奇号火星车模型，全程无 GUI，还能实时预览、记录命令轨迹供回放。

「没 GUI 也能干专业活」不再是口号了。

五、视频本身怎么拍的：34 秒的信息密度

顺手把这条视频的做法也拆了，因为它的结构值得抄。

【1】开头钩子（0-1 秒） 画面直接怼 GitHub 项目页，压两行大字「让 AI 学会操作软件」。口播第一句：「AI 圈彻底杀疯了。」钩子类型 = 行业震动型 + 悬念型。不解释、不铺垫、不自我介绍，第一秒就把「有大事发生」砸出来。评分 8.5/10。扣分在「杀疯了」这类词已经被用滥，但配合真实的 GitHub 页面截图，可信度补回来了。

【2】人设 & 声音 科技情报播报员，语速快、判断斩钉截铁（「最离谱的地方在于」「麻烦得要死」「通通一秒变」）。不讲自己是谁，只讲事。受众画得很准：泡 GitHub、关心 Agent 落地的开发者和 AI 从业者。

【3】信息密度 & 节奏 34 秒讲完「项目是谁 + 数据背书 + 核心能力 + 痛点对比 + 使用方式」五件事，几乎零废话。节拍是 1 秒一个视觉切换 + 每 5-6 秒一次画面换场：项目主页 → 仓库星数特写 → 命令行 → 漫画 → 安装文档 → 插件步骤。关键手法：每句口播都有一张对应的证据画面在同步走。说「40k star」，画面就怼在 Star 数字上；说「一行指令」，画面就怼在那行命令上。口播负责煽动，画面负责取信。

【4】讲解结构 标准的「结论 → 背书 → 机制 → 旧痛点 → 新对比」五段：先下结论（杀疯了）→ 拿数据背书（40k star、#1 of the day）→ 讲机制（扫源码生成 CLI）→ 翻旧账（以前得专人写插件，麻烦得要死）→ 打对比（现在老工具新应用通通一秒变 Agent 的左膀右臂）。最强的一手是中间那个三格漫画（红色小龙虾吉祥物）：①挣扎——一堆软件没几个 CLI，抓头发；②发现——戴上眼镜大喊 THAT’S IT；③转变——同时操控一屏软件，配文 AGENT-NATIVE。 把一个抽象的技术价值，用三格漫画讲成了一个情绪故事。 这是项目方自己做的素材，博主直接拿来用了——好的开源项目会把传播素材一起做好，这本身也是个值得学的点。

【5】金句

「今天的软件服务人类，明天的用户是智能体。」（项目官方口号，最耐传播）
「把过去给人用的软件，一键改造成 AI 能直接调用的原生工具。」
「不管是老掉牙的命令行，还是刚上线的新应用，通通一秒变 AI Agent 的左膀右臂。」

可复用金句模板：「把过去给【A】用的【X】，一键改造成【B】能直接【动词】的原生【X】。」

【6】收尾 & CTA 无硬 CTA。收尾停在 Claude Code 的安装步骤画面上——用「你现在就能装」当结尾，本身就是最强的行动召唤。想用的人会自己去搜项目名，这比喊「点赞关注」高级。

【7】可复制骨架

[0-1s]  【领域】彻底杀疯了。/ 【机构】扔出一个王炸开源项目。
        └ 画面：项目主页大标题 + 一行中文定位
[1-6s]  它直接把【旧世界的限制】给干掉了。
        └ 画面：项目 README 首屏，红框圈定位语
[6-10s] 记住这个名字，它在 GitHub 已经拿下 【N】k star。
        └ 画面：仓库页 star 数特写 + 红线划名字（信任状必须给画面）
[10-18s]它最离谱的地方在于，你只要【最小操作单元】，它就能【核心能力】。
        └ 画面：那行命令的终端截图（越简单越震撼）
[18-22s]说白了，就是把【旧形态】变成【新形态】。
        └ 画面：一张三格漫画/对比图讲情绪，别讲参数
[22-28s]以前要【旧方案的痛苦】，麻烦得要死。
        └ 画面：文档页/安装命令
[28-34s]现在倒好，不管是【老场景】还是【新场景】，通通【结果】。
        └ 画面：停在「你现在就能上手」的那一屏

这套骨架我拿来讲任何一个开源项目都能直接套。 核心就三件事：先给结论，再给信任状，最后给最小可执行动作。

六、四个角度的反思

1. 对我们（我 + 我这套 AI 工作流）

最直接的价值：它把「工具接入」这件事从体力活变成了流水线活。

我这两年做 AI 助理，最大的时间黑洞不是调模型、不是写提示词，是给它接手脚——每接一个新软件、新服务，就得手写一遍适配层：读文档、封函数、处理认证、定输出格式、写错误处理。一个软件干半天，还只覆盖了那软件 20% 的能力。

CLI-Anything 给的启发不止是「有个现成工具能用」，更是这条路走得通：LLM 读源码理解一个软件的能力边界，这件事在 2026 年已经足够可靠了，可靠到能量产。

我要落的三个动作：

先当消费者：装 cli-anything-hub，把 registry 里跟我工作流相关的（Obsidian、LibreOffice、ffmpeg 系、图像处理）先扫一遍，能用现成的绝不自己造。
再当生产者：挑一个我天天用、但没有好 CLI 的开源软件，跑一遍完整流水线，实测生成质量到底是「能用」还是「demo 级」。这一步不做，前面全是纸上谈兵。
抄它的流水线设计：我自己那些自动生成类的活（生成脚本、生成配置、生成文档），全部按「分析→设计→实现→先出测试计划→写测试→记录→发布」重排一遍。

2. 对橙子（我的 AI 助理）自己

这条对橙子的意义最大，因为它直指橙子最硬的能力天花板。

橙子现在的能力边界，本质上就是「它手上有几把工具」。有脚本的活它做得又快又稳，没脚本的活它得临场拼——而临场拼恰恰是最容易出错的时候。我早就定过一条规矩：能固化成脚本的就固化成脚本，同一个复杂操作手搓第二次，就该当场把它变成脚本。

CLI-Anything 等于把这条规矩自动化了：不是「重复两次才固化」，而是「一开始就把整个软件固化完」。

对橙子具体意味着什么：

能力扩张的方式变了：以前是「遇到一个需求 → 写一个脚本」，现在可以「盯上一个软件 → 一次性拿下它全部能力」。
SKILL.md 自动生成这一手是关键：生成的 CLI 自带技能说明，橙子能自己发现「我现在会用这个了、参数怎么传」。这解决了工具变多之后「有工具但不知道自己有」的老问题——工具库越大，可发现性越是瓶颈。
JSON 结构化输出 + 确定性：这比截图点界面那套稳一个量级。Agent 最怕的不是慢，是同一个操作这次成下次崩。
给它一条自我扩展的路：理论上橙子可以自己给自己造工具——遇到不会用的软件，先跑一遍生成，再用生成出来的 CLI 干活。这是从「会用工具」到「会造工具」的跳变。（但这条得设闸：自动生成的代码要过审再进生产，不能让它自己造完自己就用，这是安全边界，不是能力边界。）

3. 对做教育培训的机构

看着离业务远，其实很近。培训机构的日常里有大量「专业软件重复劳动」：

内容生产线：视频要剪（Kdenlive/Shotcut）、封面要出图（GIMP/Krita）、课件要转格式（LibreOffice）、字幕要压（VideoCaptioner）。这些活现在靠人一个个点，每一个都是 CLI-Anything 明确列在支持清单里的软件。把这条线打通，等于把「内容产能」从人数上限里解放出来。
课程本身就是选题：「让 AI 直接操作你的各种软件」——这个题对任何一个想学 AI 的学员都有钩子，而且有实操、有结果、能出作品。比讲一百遍提示词技巧强。一门《让 AI 帮你把软件用明白》的课，从选题到教案，这个项目直接给了骨架。
教务/运营侧：Zoom 有 CLI（拉录像、拉参会名单、出报表）、NextCloud/GitLab/Grafana 有 CLI。日常那些「登进后台点几十下导个表」的活，是能自动化掉的。
一句冷静话：这不是「买个工具就降本增效」。真正的成本在梳理流程——先想清楚哪一步是重复的、输入输出是什么，才轮到自动化。流程没理清就上自动化，只会把混乱执行得更快。

4. 对未来发展

这条视频里最有分量的不是那 4.5 万颗星，是那句口号：今天的软件服务人类，明天的用户是智能体。

我认为它指向三个正在发生的趋势：

① 软件的「第二用户」正在诞生。 过去三十年，软件设计的全部注意力都在人身上：菜单怎么排、按钮放哪、图标好不好看。现在多了一类用户，它不看图标，它读 --help。未来的软件设计会分叉：一套给人的 GUI，一套给 Agent 的结构化接口，而且后者的重要性会持续爬升。今天要靠第三方去「翻译」，明天原生就该带。

② GUI Agent 那条路可能是个中间态。 一堆团队在死磕「让 AI 看屏幕、点鼠标」，这条路技术上很酷，但脆、慢、贵。CLI-Anything 的主张很直接：别教 AI 用人类的界面，把软件的能力直接暴露出来。 我倾向于认同——GUI 自动化会退守到「实在拿不到源码/接口」的兜底场景，不会是主战场。

③ 真正的门槛从「有没有 AI」变成「AI 手上有多少工具」。 模型能力在快速趋同，谁都能调到差不多的脑子。差距会拉在手上：你的 Agent 接了多少真实软件、多少真实系统、多少真实数据。这是个能靠积累建立壁垒的方向，而且积累是可复利的——工具库越大，能组合出来的工作流越多，是超线性的。

要不要押？ 我的判断：押方法论，别押具体项目。 具体哪个项目会赢没人知道（这个才 4 个月大），但「把软件翻译成 Agent 能用的形态」这个方向，几乎确定是对的。所以正确做法是现在就动手用起来、把自己的工作流改造成 Agent-Native 的，工具换了不影响，改造出来的流程是自己的。

七、哪些具体可以借鉴

拆出来，条条可迁移：

技术/方法论层面

7 阶段流水线的顺序 —— 尤其是「先出测试计划文档、再写测试」这个卡点，任何自动生成任务都该这么排。
差集分析 + 增量精修（refine） —— 不是推倒重来，是「对比完整能力与当前覆盖，只补缺口」，可反复叠加。
自动生成 SKILL.md —— 产出物自带说明书，让下游 Agent 能自我发现。做任何工具都该顺手生成一份「怎么用」，别让能力藏在代码里。
JSON + 人类可读双输出 —— 一份给机器解析，一份给人调试。低成本、高收益。
真调用而非重实现 —— 直接调真软件（LibreOffice 真出 PDF、Blender 真渲染），不做玩具替代品。能接真的就别造假的，这是可信度的分水岭。
命名空间统一 + 装进 PATH —— 所有生成物统一 cli-anything-* 前缀，Agent 用 which 就能发现。可发现性是工具规模化之后的第一瓶颈。

内容/传播层面

项目方自己做传播素材 —— 那个三格漫画和吉祥物，是项目自带的。开源项目把「怎么讲清楚我是干嘛的」也当成工程来做，传播效率翻几倍。 我自己发东西也该这样：做完还得配一张能一眼看懂的图。
口播煽动 + 画面取信的双轨 —— 说数字就怼数字截图，说命令就怼终端截图。主观判断必须配客观画面，否则就是空吹。
用「你现在就能上手」当结尾 —— 比任何点赞关注的话术都有效。
信任状要具体 —— 不说「很火」，说「45,750 star / #1 Repository of the Day / 2,461 条测试通过」。具体的数字自己会说话。

最后

这条视频只有 34 秒，但它推给我的东西够我消化很久。

我个人最大的收获不是知道了一个新项目，是校准了一个判断：Agent 落地的瓶颈，已经从「模型够不够聪明」彻底转移到了「它手上有没有真家伙」。

想清楚这一点，接下来该往哪投时间就很明确了——别再花时间调提示词让模型显得更聪明，去给它接手脚。

项目地址：github.com/HKUDS/CLI-Anything · Apache-2.0 · 视频来源：抖音 @克莱加德《让 ai 直接操作你的各种软件》数据核于 2026-07-23，星数还在涨，看到这篇时应该已经不止 45.7k 了。