CLI-Anything:让所有软件都能被AI操控了

你有没有想过这个问题。

现在的 AI 已经很强了。写代码、分析数据、翻译文章，什么都能干。

但你让它操控一个具体的专业软件，就不行了。

让 AI 用 Blender 建模？让 AI 用 GIMP 修图？让 AI 用 Audacity 剪辑音频？

目前的答案大多是——做不到，或者做得很烂。

为什么？

因为这些软件都是为人类设计的。界面、按钮、菜单、快捷键，一切都是给人类的手指和眼睛准备的。AI 没有手指，没有眼睛。

这就是 AI Agent 和真实软件之间的”最后一公里”问题。

GUI（图形用户界面）是人类的天堂，却是 AI 的地狱。

GUI 是非结构化的。AI 看到的只是像素，不知道哪个是按钮，哪个是菜单。

GUI 是脆弱的。换个分辨率，换个主题，换个语言，什么都认不出来了。

GUI 不可组合。你不能把 GUI 的操作像代码一样串联起来。

有人试过用计算机视觉+自动点击来操控 GUI，脆弱得像纸糊的。

有人想让软件厂商都提供 API，但 API 通常只暴露 10%-20% 的功能。

这条路，走不通。

CLI-Anything 的解决思路很另类。

与其改造 AI 让它看懂 GUI，不如改造软件，让它说 AI 听得懂的话。

而 AI 听得懂的话，恰好是 CLI（命令行接口）。

为什么？

因为 CLI 是结构化的。 一条命令就是”动作+参数”，`gimp –resize 1920×1080 –output poster.png`，AI 一看就懂。

因为 CLI 是可组合的。 管道、重定向、脚本，可以把几十个命令串成一套完整的工作流。

因为 CLI 是无界面的。 不需要视觉理解，不需要解析像素，纯文本交互，稳定可靠。

因为 CLI 是可测试的。 每条命令都有确定的输入和输出，可以轻松自动化测试。

这些特性恰好都是 AI Agent 需要的。GUI 一条都不占。

所以 CLI 不是”过时”了。在 AI 时代，它反而成了最自然的人机-AI 共同语言。

CLI-Anything 由香港大学 HKUDS 团队开发。

核心是一个 7 步全自动流水线。

你把软件的源码丢进去，出来的是一个可以直接使用的 Python CLI 包。整个过程不需要人工介入。

以 GIMP 为例，生成的 CLI 长这样：

每个命令都支持 –json 参数，输出结构化数据。这样 AI Agent 就能理解结果，做下一步决策。

这个项目不是 PPT 级别的概念验证。

覆盖 40+ 款主流软件。 创意设计（GIMP/Blender/Inkscape/Krita）、音视频处理（Audacity/Shotcut/OBS）、生产力工具（LibreOffice/Draw.io/Notion）、AI 内容生成（Stable Diffusion/ComfyUI）。

1,527 项测试 100% 通过。 涵盖 11 款复杂应用的 1,073 项单元测试和 454 项端到端测试。

兼容 7 大 Agent 框架。 Claude Code、GitHub Copilot、OpenClaw、Nanobot、Windsurf、Witsy、Kimi-IDE，全部原生支持。

CLI-Hub 社区仓库已经上线（clianything.cc），直接安装就能用。

作者自己也实践过，用 CLI-Anything 操控 Blender 建模。

发现直接让 AI 从零开始建模，效果还是有差距。

最优方案反而是：先生成一张参考图，图生模得到一个基础模型，再交给 CLI-Anything 去细化。

这说明什么？

说明 CLI 接口解决了”操作”的问题。但”创造”本身还是另一回事。

CLI 让 AI 能够接触和操作专业软件。这扇门打开了。

但门后面有多远的路要走，取决于 AI 自身的能力。

回到开头。

AI Agent 和真实软件之间隔着最后一公里。

GUI 是墙。CLI 是门。

CLI-Anything 做的事情，就是把这扇门自动装上。

当 40 多款软件被覆盖的时候，你可能没什么感觉。

但当 400 款、4000 款软件都被覆盖的时候，AI Agent 就不再是”聊天机器人”了。

它变成了真正的”数字操作员”。你说一句话，它打开软件，操作完成，交给你结果。

那一天，不远了。