乐于分享
好东西不私藏

AI 终于能认真改 PPT 了:OfficeCLI 火到 2 万星,我跑通了

AI 终于能认真改 PPT 了:OfficeCLI 火到 2 万星,我跑通了

你好,这里是科林AI,我是科林!

很多人用 AI 写文档,真正卡住的地方不是“它不会写”,而是它很难真正看懂一个 Office 文件。

Word 里有段落、样式、表格;Excel 里有 sheet、单元格、公式;PPT 里有标题、文本框、页面顺序。人眼一看就知道哪里不对,AI 如果只拿到一坨文字,就很容易改得热闹但不靠谱。

今天我看的是 GitHub 上最近很火的 OfficeCLI

项目地址

iOfficeAI/OfficeCLI

截至 2026 年 7 月 20 日晚我核验时,GitHub 页面显示它已经约 2.0 万 stars;最新 release 是 v1.0.139,发布时间是 2026 年 7 月 19 日,npm 包同样是 1.0.139。项目许可证是 Apache-2.0

1 我先看它想解决的老问题

OfficeCLI 的定位很直接:让 AI Agent 能读、改、自动化 Word、Excel、PowerPoint 文件。

它不是再做一个聊天框,也不是让你把文档内容复制出来问 AI。它更像是给 Office 文件开了一套命令入口,让 AI 能看到文档结构,再按结构去增删改查。

这点对普通读者其实很好理解。

你让 AI 改 PPT,如果它只能生成一段建议,那最后还得你自己挪文本框、改标题、对齐页面。OfficeCLI 想做的是把“建议”往前推一步:直接对 .pptx.docx.xlsx 下手。

我第一眼关注的不是它用了什么技术,而是它能不能把这几类麻烦变成可执行动作:

  • 月报 PPT 批量生成后,检查标题和页面结构
  • Excel 表格导入后,让 AI 读取 sheet 和单元格
  • Word 模板合并后,确认段落、表格、占位符有没有跑偏
  • AI Agent 生成文件后,再回看截图和 outline 做二次修正

2 第一次上手能看到什么结果

我这次做的是安全轻量测试,没有跑付费 API,也没有执行来路不明脚本。

最轻的一步,是用 npx 临时拉起官方 npm 包看版本:

npx @officecli/officecli --version

本机输出是 1.0.139,和 npm registry 里显示的最新版一致。

然后我继续创建了一个最小 PPTX,增加一页 slide,再用 outline 模式读取结构。

命令跑完后,OfficeCLI 能识别出这个文件有 1 页 slide,并且读到了标题和文本框数量。这个结果不炫,但它很关键:AI 做 Office 自动化,不能只靠“我觉得写完了”,它要能看见自己改出了什么。

--help 看,它覆盖的命令比较完整:createviewgetquerysetaddremovevalidatemergewatch 等都在里面。

我比较看重 watch 这条路线。README 里写的是启动本地预览服务,让浏览器随着文档变化刷新。对 AI Agent 来说,这就是一个更像人类的反馈回路:改文件、看效果、再修正。

3 我会拿它解决哪些真实任务

如果只把 OfficeCLI 当成“命令行生成 PPT”,其实有点小看它。

我更愿意把它放进三类工作流里:

第一类是重复报告。比如每周都要生成经营简报、项目周报、客户汇报,文案和数据来自固定来源,最后落到 Word 或 PPT。OfficeCLI 可以让 AI 把结构化内容写进文件,而不是只吐一段 Markdown。

第二类是文档质检。比如检查 PPT 页数、标题是否为空、某些占位符是否还没替换、Excel 里指定区域有没有数据。过去这些事靠人翻页面,现在可以变成一组可重复命令。

第三类是Agent 交付物验收。AI 不只要说“我做完了”,还要能把生成的文件重新读一遍,给出 outline、截图或校验结果。这个闭环会比单纯生成文件靠谱很多。

我也会提醒两个边界。

第一,它不是给所有人双击就用的桌面软件。普通读者可以先收藏项目,或者把这篇转给团队里会跑命令的人看。

第二,它不等于最终排版审美。复杂模板、品牌规范、图表细节,最后仍然要在 Office 或预览里过一遍。OfficeCLI 真正强的地方,是让 AI 能结构化地操作和检查文档,而不是替人完成所有判断。

最后总结一下

OfficeCLI 这类项目值得单独关注,因为它把 AI Agent 从“写一段内容”推向了“直接处理真实办公文件”。我今天的小测只覆盖了版本、创建 PPT、增加页面和读取 outline,但已经能看到它的核心价值:文件不是黑箱,AI 可以开始按结构做事。

对经常做报告、模板文档、表格整理的人来说,我会先从一个低风险任务试起:拿一份可复制的测试文件,让它生成、读取、检查,再看结果是否稳定。能把这个小闭环跑顺,再考虑接到更大的工作流里。

创作不易,如果这篇刚好帮到你,可以顺手点个赞;回头要用的时候,也可以收藏起来。你身边有人正好在研究这个方向,也可以转给他看看。

这里是科林AI,我是科林,我们下篇见。