让大模型亲自动手操盘 WPS、PS：harness-anything 开源项目深度拆解与上手实战

本文由 莫潇羽@源码七号站（www.fuyuan7.com）撰写，转载请注明出处。

快速摘要

如果你只想要一个最短结论，先把这一段读完：harness-anything 是一个开源在 GitHub 上的「命令行驱动桌面软件」工具集，作者通过 Windows 的 COM 自动化接口，把 WPS Office（Writer/Calc/Impress）、Microsoft Office、Adobe Photoshop、Adobe Illustrator、Zotero 等本地软件，包装成一套约 47 个标准化 CLI 命令，并配套了 27 个面向学术写作和文献管理的高阶能力（项目自称为 Skill）。结合 Claude Code、Cursor、Codex 这一类 AI 编程助手，大模型可以像调用普通命令一样，直接驱动这些桌面软件生成 .docx、.xlsx、.pptx、.psd、.ai、.pdf 等真实文件，而不是仅仅返回一段文字。

真正值得关注的不是"AI 又能干新活了"，而是这种"命令行 + COM 桥接"的思路：它把本来散落在各家软件里的能力，统一成了 Agent 友好的接口形态，让本地软件第一次具备了被 AI 编排的可能。 我自己在 Windows 11 + WPS + Python 3.10 的环境下跟着跑了一圈，从环境配置到生成第一份带表格的报告，整个过程比想象中流畅，但也踩到了几个让人想骂街的小坑。

本文会从项目定位 → 47 个命令拆解 → COM 自动化底层原理 → 完整上手流程 → AI Agent 接入方式 → 三类人群的使用姿势 → 局限与边界，一路把这个项目讲透。文中会插入若干代码块、表格和流程图，帮你直观看到「AI 怎么经过一层命令行，最后落到 PSD 文件里的某个图层上」。想看完整拆解，往下翻。

一、我为什么会盯上这个项目

一个老问题：AI 一直在"说"，但很少真的"做"

这两年我一直在追各种 AI 产品的更新，从早期的纯聊天，到后来的"会上网会查资料"，再到现在动不动就喊自己是 Agent。说实话，大部分时间我都有一种很别扭的感觉：AI 说得头头是道，但最后要把结果落到一份能交给客户的 Word、一张能投放的海报、一份能审的论文上，还是得我自己手动复制粘贴。

举个特别日常的例子。我想让 AI 帮我整一份 Q2 复盘文档，它给我的输出基本是大段 Markdown 文本，里面甚至连分级标题都很规整。但问题是，我领导要的是带封面、带页眉页脚、带表格、带图表的 .docx 文件。AI 写得再漂亮，我也得回到 WPS 里一行行复制、一个个调样式。 那 AI 给我的省力效果，差不多就被这一通操作抵消掉了。

设计场景更明显。我跟一些设计师朋友聊过，他们觉得"AI 出图"这事很热闹，但真正落到日常工作里，他们要的不是给一张漂亮但不能编辑的整图，而是要一份分好图层、能在 PS 里继续调的 PSD。文生图模型给不了这个，至少在 2026 年的当下，离设计师能拿来直接干活还有距离。

学术圈也一样。我有几个在读博的朋友，他们经常跟我吐槽：AI 帮他们做综述确实快，但真正写论文的时候，参考文献格式、Zotero 引用、期刊模板、图表编号，这些零零碎碎的事还得自己来。AI 写完一段、他们再格式化一段，活儿其实没省多少。

真正缺的那一环：本地软件的"AI 接口"

把这些场景拼在一起，你会发现一个共同的痛点：本地桌面软件长期是 AI 工作流里最后一公里的断点。

云端的 SaaS 服务这几年都在补 API 和 MCP，飞书、Notion、各种数据库都已经能被 AI 直接调用。但桌面软件这块就尴尬了——WPS、Word、Excel、PS、AI（Adobe Illustrator）、Zotero，它们都不是为"AI 调用"设计的，本质上还是面向人类用户的 GUI 程序。

我自己折腾过不少绕路方案：

• 让 AI 生成 VBA 宏脚本，手动拷进 Office 里跑——能用，但脚本经常报错，debug 比自己手动做还慢；
• 用 Selenium、Puppeteer 之类的工具去自动化 UI——脆得不行，软件一更新界面，脚本就全废；
• 用第三方 Python 库（比如 python-docx、openpyxl）去拼文件——能拼出来，但格式细节和真实软件渲染出来的效果差很多，复杂排版尤其难搞。

这些方案各有各的问题，但都没有解决一个根本问题：AI 没法直接、稳定地驱动本地软件的原生能力。

直到我刷到 harness-anything 这个项目，我突然意识到——有人开始认真做这一层桥接了。不是炫技，不是 demo，而是把 WPS、PS、AI、Zotero 这些日常工具，老老实实地一条条命令包出来，让 AI 可以用最朴素的方式调度它们。

不只是 harness-anything：一股正在成形的趋势

我顺着这个项目又往外摸了一圈，发现这不是孤立现象。莫潇羽@源码七号站 这边整理了一下：

• HKUDS 团队的 CLI-Anything：思路类似，目标是把任意软件包装成 Agent 原生的 CLI 工具，已经在 11 款开源软件上跑通；
• OpenCLI：把任意网站转成 CLI 工具，让 AI 直接接管浏览器和桌面端；
• 飞书 CLI：把整个飞书的办公能力开放为命令行，给 AI Agent 调用；
• Harness Engineering：OpenAI 在 2026 年初提出的工程范式，主张工程师不再写代码，而是设计环境、明确意图、构建反馈回路，让智能体可靠完成工作。

把这些放在一起看，你会发现一个非常清晰的方向：CLI（命令行界面）正在成为 AI Agent 和软件之间的"通用语"。原因也很简单——和 GUI 相比，CLI 结构化、可组合、确定性强、自描述，天生就适合大模型生成和调用。让一个大模型去精准点击屏幕上的某个像素？非常难。让它写一条 harness wps doc add-table --rows 4 --cols 3 这种命令？毫无难度。

harness-anything 就是这条路上一个非常具体、面向中文办公场景的实践。它把视角对准了 WPS、Office、Adobe 全家桶和 Zotero 这几个真正"日常都在用"的本地软件，关心的是大家每天都要做的事情，而不是炫技性的 demo。这是我盯上它的根本原因。

看清这个项目想解决的真问题

读到这里，你大概能体会到我的视角了。莫潇羽@源码七号站 的判断是：

harness-anything 不是一个让你"少打字"的工具，而是一个让 AI 第一次能"动手"的桥梁。

它的价值不在"功能多炫"，而在"接口标准"。一旦本地软件都有了 Agent 友好的 CLI 接口，整个 AI 工作流的拼图就完整了——AI 不光能"想"，还能"干"。这才是我愿意花一整篇长文把它讲清楚的原因。

下面进入第二章，先把"它到底是个什么东西"用一句话讲清楚。

二、一句话讲清 harness-anything 是个什么东西

最短定义：一套让 AI 能"亲自操作桌面软件"的命令行桥接层

如果只能用一句话概括，我会这样说：

harness-anything 是一组以 Python 实现、基于 Windows COM 自动化接口的 CLI 工具，它把 WPS Office、Microsoft Office、Adobe Photoshop、Adobe Illustrator、Zotero 这些本地桌面软件的能力，包装成一套统一、标准化、Agent 友好的命令行接口，方便 AI Agent 直接调用。

句子有点长，但每个词都不是多余的，我们一个个拆开：

• Python 实现：项目主体用 Python 写，依赖 pywin32 这个 Windows 平台的扩展库；
• Windows COM 自动化：这是底层桥梁，借助 COM（组件对象模型）和软件本身暴露的接口对话；
• CLI 工具：所有能力都以命令行形式暴露，比如 cli-anything-wps、cli-anything-photoshop、cli-anything-illustrator、cli-anything-zotero；
• 标准化接口：不同软件之间命令风格统一，AI 学一套范式就能调多种工具；
• Agent 友好：命令的设计是为了让大模型容易生成和理解，输入输出都偏结构化。

项目结构：分模块、各管各家

从 GitHub 仓库 yb2460/harness-anything 里能看到，整个项目并不是一锅端的单一仓库，而是按软件家族切分成了若干个子项目：

这种切分有它的合理性：不同软件背后的 COM 接口完全不同，硬塞进一个包里会让维护成本爆炸。把家族切开、各自维护，再用一致的命令风格统一对外，对使用者来说反而最舒服。

整体看下来，仓库给的数据是大约 47 个 CLI 命令和 27 个学术 Skill，前者覆盖办公和设计的常规操作，后者是把"做一篇综述"这种相对复杂的学术流程，整理成可以一键触发的流水线。

整体调用链：从一行命令到桌面软件里的一个动作

为了让你直观看到这件事是怎么发生的，我画了一张简化的调用流程图：

flowchart LR
    A[AI Agent<br/>大模型] -->|生成命令| B[Shell / Bash]
    B -->|调用 CLI| C[Click CLI<br/>命令解析]
    C --> D[Core 核心模块<br/>参数校验 / 业务逻辑]
    D --> E[COM Bridge<br/>pywin32]
    E --> F[Photoshop.Application<br/>/ WPS.Application<br/>/ Illustrator.Application]
    F --> G[(真实桌面软件<br/>执行操作)]
    G -->|文件 / 状态| A

这套结构里，每一层都很薄但都很必要：

• Click CLI 层负责把人写的（或者 AI 写的）命令字符串解析成参数；
• Core 核心模块做参数校验、组合命令、把业务语义翻译成对软件接口的具体调用；
• COM Bridge通过 pywin32 把 Python 对象和 Windows 的 COM 接口连起来；
• 软件本体真正干活——打开文档、画图层、写入单元格、导出 PDF 等。

最后软件吐出来的文件、错误信息、状态码，又会沿着这条路反馈给 AI，让 AI 决定下一步要不要继续调命令。这就是 Agent loop 的最小闭环。

一段最短的对话示例

为了让你彻底进入状态，看一段我自己做过的最小演示（命令仅作示意，具体参数请以仓库最新文档为准）：

# 1. 新建一个 1920x1080 的 PS 工程
cli-anything-photoshop project new poster.psd -w 1920 -h 1080

# 2. 加一个标题文字图层
cli-anything-photoshop text add --content "夏日新品上架" --font "微软雅黑" --size 96

# 3. 导出为 PNG
cli-anything-photoshop export png --output poster.png

三行命令，PS 在你眼前实实在在地新建了一个工程、加了文字图层、导出了图。你不需要去点任何菜单。 如果你愿意，把这三行交给 AI Agent 生成，它就完成了一个最朴素的"AI 做海报"工作流。

它和 MCP、Function Call 是什么关系

很多人可能要问：现在大模型不是已经有 MCP（Model Context Protocol）和 Function Call 了吗？为什么还要专门搞一套 CLI？

我自己理解下来，这两条路其实是互补的，不是替代关系：

• MCP / Function Call：更适合"结构化数据接口"，比如查数据库、调一个 SaaS API、读一个 JSON 配置。它的优势是 schema 清晰、调用语义强；
• CLI 桥接：更适合"已经成熟的桌面软件"，因为很多老牌软件根本没有现代意义上的 API，它们只有 COM、AppleScript、VBA 这种古老但稳定的接口。把这些接口包成 CLI，是接入 AI 的最低成本路径。

而且 CLI 还有一个非常隐蔽的好处：它天然适合被 shell 串联。你可以把 harness-anything 的命令和 ffmpeg、ImageMagick、Pandoc、curl、jq 这种老牌工具拼在一起，组装出非常复杂的自动化流水线，AI 写得出来，shell 跑得起来，工程师 debug 起来也清楚。

它不是什么：先打几个补丁

为了不让你产生不切实际的期待，莫潇羽@源码七号站 这里要先泼几瓢冷水：

• 它不是"零环境就能用"的产品：你得有 Windows、得装好 WPS 或 Office、得装好 Python、得装好 pywin32，缺一不可；
• 它不是跨平台的：本质上依赖 Windows 的 COM 自动化，macOS、Linux 上跑不起来（除非走虚拟机或者 Wine 类方案）；
• 它不是"AI 替你想清楚"的工具：你（或者你背后的 Agent）还是要明确告诉它"我要一个 1920×1080 的画布""我要一份四列的表格"，它不会替你想清楚需求；
• 它不是闭源软件的万能钥匙：能调到的能力，必须是软件本身通过 COM 暴露出来的；软件没暴露的功能，再聪明的 CLI 包装也变不出来。

把这几条放在心里再往下读，你会对它的能力边界有更准确的预期。

下一章，我们具体把 47 个命令掰开揉碎，看看到底覆盖了哪些场景。

三、47 个命令到底覆盖了哪些场景

上一章把项目长什么样讲清楚了，这一章我们把它能干什么的"清单"摊开来看。47 个命令听起来像随手凑的数字，但实际跑下来你会发现，它把日常会用到的能力切得相当细，又没有切得太碎。

三大场景，一张总表先看清

为了不让你迷路，我先把莫潇羽@源码七号站 整理的总表放在这里，下面再一类类展开：

注：上面的命令数是按"主要分组"估的，实际仓库里每个分组下还有 add / update / list / delete 这样的子动作，加起来正好是仓库自己宣称的"约 47 个核心命令"。

办公场景：Writer / Calc / Impress 的命令地图

办公模块是整个项目里最厚的一块，原因也很现实——绝大多数中文用户每天都在跟 Word/Excel/PPT 打交道。莫潇羽@源码七号站 这边把它分成三个层次。

2.1 文字处理（对应 WPS Writer / Microsoft Word）

文字处理这块，命令分组围绕"一份文档里最常出现的元素"展开：

# 新建文档
cli-anything-wps writer document new report.docx

# 加一级标题
cli-anything-wps writer add-heading -t "Q2 工作复盘" --level 1

# 加段落
cli-anything-wps writer add-paragraph -t "本季度我们重点完成了以下几件事……"

# 插入表格
cli-anything-wps writer add-table --rows 5 --cols 4

# 插入图片
cli-anything-wps writer add-image --path ./assets/chart.png

# 全文查找替换
cli-anything-wps writer find-replace --from "Q2" --to "第二季度"

# 设置字体样式
cli-anything-wps writer set-font --name "微软雅黑" --size 12

把这几条命令串起来，就能让 AI 一气呵成生成一份"封面 + 章节 + 表格 + 图片"的报告。比起以前用 python-docx 那种"靠拼接 XML 生成 Word"的方式，最大的差别是：现在是真实的 WPS / Word 在跑，渲染出来的样式就是你打开软件看到的样式，不会出现"在 LibreOffice 里好好的、扔到 Word 里就乱"的情况。

2.2 电子表格（对应 WPS Calc / Microsoft Excel）

表格这块是我最喜欢的一块，因为做财务、做报表的同学多半天天在跟它打交道：

# 新建工作簿
cli-anything-wps calc workbook new sales.xlsx

# 新建工作表
cli-anything-wps calc sheet add --name "6月明细"

# 写入单元格
cli-anything-wps calc cell write --range "A1" --value "日期"

# 批量填充
cli-anything-wps calc cell batch-fill --range "B2:B31" --values-from ./june.json

# 写入公式
cli-anything-wps calc cell formula --range "C32" --formula "=SUM(C2:C31)"

# 合并单元格
cli-anything-wps calc cell merge --range "A1:D1"

# 生成图表
cli-anything-wps calc chart create --type column --data-range "A1:C31" --title "6月销售曲线"

# 创建数据透视
cli-anything-wps calc pivot create --source "Sheet1!A1:F100" --rows "区域" --values "销售额"

注意这里的批量填充和数据透视——这两类操作如果手动做，是会让人原地原地崩溃的。把它们命令化之后，让 AI 配合一份 JSON 数据直接生成完整报表，是非常实用的场景。

2.3 演示文稿（对应 WPS Impress / Microsoft PowerPoint）

PPT 这块的命令稍微少一点，但已经覆盖了常用动作：

# 新建演示文稿
cli-anything-wps impress presentation new deck.pptx

# 添加一张标题幻灯片
cli-anything-wps impress slide add --layout "title" --title "2026 年中规划" --subtitle "莫潇羽 · 源码七号站"

# 在指定页加文本框
cli-anything-wps impress textbox add --slide 2 --content "Q3 三大重点……" --x 50 --y 100

# 加形状
cli-anything-wps impress shape add --slide 3 --type "arrow" --x 200 --y 150

# 套主题背景
cli-anything-wps impress background set --slide all --template ./themes/clean.json

# 导出 PDF
cli-anything-wps impress export pdf --output deck.pdf

PPT 这块还有一个被低估的能力是——项目仓库本身宣称支持 SVG-to-PPTX。也就是说，你可以让 AI 先用 SVG 画好整页的"信息图风格"幻灯片，再让 harness-anything 把它转成可在 PPT 里继续编辑的格式。这对做技术分享或科普类内容的同学非常友好。

设计场景：让 PS / AI 接 AI

设计软件这块命令不多，但每一条都很关键。背后的原因是：Photoshop 和 Illustrator 都是 Adobe 全家桶的核心，它们的 COM 接口非常成熟，所以一旦能稳定调用，能力释放是质变。

3.1 Photoshop：图层、文字、滤镜、导出

# 新建一个海报工程
cli-anything-photoshop project new poster.psd -w 1080 -h 1920

# 加一个填色图层
cli-anything-photoshop layer add --type fill --color "#1E3A8A" --name "背景"

# 加一个文字图层
cli-anything-photoshop text add --content "夏日新品" --font "微软雅黑" --size 96 --color "#FFFFFF"

# 加一张产品图，并按比例缩放
cli-anything-photoshop image add --path ./assets/product.png --scale 0.6 --x 200 --y 800

# 批量导出多个尺寸
cli-anything-photoshop export png --output poster_1080.png
cli-anything-photoshop export png --output poster_720.png --width 720

这一组命令的杀手锏是保留可编辑性——它生成的是真实的 .psd 文件，每个图层都还在那里，设计师后续可以自由调整。和"AI 一键出图"那种不可编辑整图的方案完全不是一回事。

3.2 Illustrator：矢量图与路径

矢量这块更适合做 Logo、ICON、信息图，因为放大不失真：

# 新建一个矢量文档
cli-anything-illustrator document new logo.ai -w 1024 -h 1024

# 画一个圆
cli-anything-illustrator shape add --type circle --cx 512 --cy 512 --r 400 --fill "#FF6B35"

# 加一条路径
cli-anything-illustrator path add --points "[(200,200),(400,300),(600,200)]" --stroke "#FFFFFF" --width 8

# 加文字
cli-anything-illustrator text add --content "FY7" --font "Arial Black" --size 200 --x 380 --y 580

# 导出 SVG / PDF
cli-anything-illustrator export svg --output logo.svg
cli-anything-illustrator export pdf --output logo.pdf

矢量图的好处是文件小、随便缩放都清楚，所以这套命令配合 AI 做品牌设计草图非常顺手。当然，能不能做出一个"好看的 Logo"，最后还是看审美和需求描述清不清楚，工具只负责把你说的事落到文件里，不负责替你拿主意。

学术场景：27 个 Skill 是怎么组织的

这块是整个项目最有意思的一部分，也是普通使用者最容易忽略的一部分。

cli-anything-zotero 集成了 27 个学术 Skill，它和办公命令的区别在于：它不是一个个原子动作，而是一段段"流水线"。 仓库里给的命令风格大致是这样：

# 列出所有学术 Skill
cli-anything-zotero skills list

# 跑一个"论著推荐"流水线
cli-anything-zotero skills pipeline original_article

# 跑一个 Meta 分析流水线
cli-anything-zotero skills pipeline meta_analysis

# 按某个期刊的图表规范处理图表
cli-anything-zotero skills journal "Nature"

把它放到学术写作的真实流程里看，大概能拆成这么几块（不是所有 27 个 Skill 都列了，挑代表性的）：

这套 Skill 的核心思路是：把"做一篇综述""跑一个 Meta 分析"这种相对复杂的学术流程，提前固化成一段命令流，让 AI 通过一句话触发整个流水线。对 PhD、研究生、青年教师来说，这意味着他们可以把"格式化"和"流程化"的劳动外包出去，专心做真正需要脑子的事——研究本身。

一张思维导图收尾

把上面三类摆在一起看，整个能力地图大致是这样：

mindmap
  root((harness-anything))
    办公
      Writer
        文档/标题/段落
        表格/图片/查找替换
      Calc
        工作表/单元格
        公式/图表/数据透视
      Impress
        幻灯片/文本框
        形状/背景/导出
    设计
      Photoshop
        项目/图层/文字
        滤镜/导出
      Illustrator
        矢量文档/路径
        形状/导出
    学术
      文献检索
      模拟审稿
      LaTeX 排版
      期刊规范
      Meta 分析流水线

这就是 47 个命令 + 27 个 Skill 大致的全貌。下一章，我们沉到底层，看它到底是怎么"跨进"桌面软件里去的。

四、底层是怎么跑起来的：COM 自动化原理拆解

上一章我们把命令清单摊开看了。但你心里大概还藏着一个问题：为什么 Python 写一行命令，WPS 或者 PS 就真的动起来了？ 这背后没有黑魔法，全是 90 年代就有的成熟技术。这章莫潇羽@源码七号站 把这一层拆给你看。

先认识一个老朋友：COM

COM，全称 Component Object Model（组件对象模型），是微软在上世纪 90 年代提出的一套二进制接口标准。它解决的问题用一句白话说就是——让用不同语言写的软件组件能互相对话。

你可以把它想象成一种"软件圈的国际共通语"。一个用 C++ 写的 Word，可以通过 COM 接口和用 Python 写的脚本对话；一个用 Delphi 写的程序，也可以通过 COM 调一个用 .NET 写的库。只要双方都遵守 COM 这套规矩，就能聊得起来。

WPS、Microsoft Office、Photoshop、Illustrator 这些主流的 Windows 桌面软件，在设计之初都遵循了 COM 标准。它们把自己内部几乎所有的能力——从创建一个新文档，到改一个单元格颜色，到给某个图层加滤镜——都通过 COM 接口"暴露"了出来。这就给后来的自动化工具留出了一条非常稳定的通道。

pywin32：Python 走进 COM 世界的钥匙

那 Python 怎么跟 COM 对话？答案是 pywin32。

pywin32 是 Python 在 Windows 平台上调用 Win32 API 和 COM 组件的扩展库。它给 Python 提供了 win32com.client 这个模块，让你用最朴素的 Python 语法就能创建并控制 COM 对象。

下面是一段最经典的"Hello WPS"演示：

import win32com.client

# 启动 WPS 的 Application 对象
wps = win32com.client.Dispatch("wps.Application")

# 让它可见
wps.Visible = True

# 新建一个文档
doc = wps.Documents.Add()

# 写一段文字
doc.Content.Text = "Hello, 莫潇羽@源码七号站"

# 保存
doc.SaveAs("hello.docx")

这段代码跑起来的瞬间，你会看到 WPS 真的弹出来、新建文档、写好内容、保存。这就是 harness-anything 整个项目的最底层骨架。

类似地，操作 Word 是 Word.Application，操作 Excel 是 Excel.Application，操作 Photoshop 是 Photoshop.Application，操作 Illustrator 是 Illustrator.Application。每个软件都注册了自己的 COM ProgID（程序标识符），通过 Dispatch 就能拿到对应的应用对象。

从一行 CLI 命令到 COM 调用的完整链路

把这层原理放回 harness-anything 的整体结构里，一行命令的执行链路大致是这样：

sequenceDiagram
    participant Agent as AI Agent
    participant Shell as Bash / 终端
    participant CLI as Click CLI
    participant Core as Core 模块
    participant Bridge as pywin32 / COM Bridge
    participant App as 桌面软件

    Agent->>Shell: cli-anything-wps writer add-heading -t "标题"
    Shell->>CLI: 解析命令字符串
    CLI->>Core: 调用 add_heading(text="标题", level=1)
    Core->>Bridge: doc.Paragraphs.Add() / Range.Style 设置
    Bridge->>App: COM IDispatch::Invoke
    App-->>Bridge: 操作结果 / 状态码
    Bridge-->>Core: Python 对象
    Core-->>CLI: 结构化 JSON 输出
    CLI-->>Agent: stdout 返回

最关键的一步是 Bridge → App 这一段。COM 在底层走的其实是 IDispatch::Invoke 接口调用，这是 COM 标准里专门为"动态语言"准备的入口。Python 这种解释型语言不需要事先编译就能调用 COM 对象，全靠 IDispatch 在运行时做方法分发。

这套机制的好处是稳定到夸张：

• COM 不会因为 Windows 升级而轻易改接口；
• WPS、Office 这类软件每次大版本更新，COM 接口几乎都是向后兼容的；
• 哪怕软件 UI 大改、菜单挪位置，底层的 COM API 名字基本不变。

对比那些靠模拟鼠标键盘点击的 UI 自动化方案，COM 这条路稳得不是一星半点。

一段稍微"硬核"一点的真实调用

为了让你看到这套链路在 harness-anything 内部大概长什么样，莫潇羽@源码七号站 仿照仓库风格写了一段示意代码（仅做讲解用，与仓库实现细节会有出入）：

# core/writer/heading.py（示意）
import win32com.client
from typing import Optional

class WriterBridge:
    def __init__(self, app_progid: str = "wps.Application"):
        # 通过 ProgID 拿到 Application 对象
        self.app = win32com.client.Dispatch(app_progid)
        self.app.Visible = True

    def open_or_create(self, path: Optional[str] = None):
        if path:
            self.doc = self.app.Documents.Open(path)
        else:
            self.doc = self.app.Documents.Add()
        return self.doc

    def add_heading(self, text: str, level: int = 1):
        # 在文档末尾加一段
        rng = self.doc.Range()
        rng.Collapse(0)  # 折叠到末尾
        rng.InsertParagraphAfter()
        rng.InsertAfter(text)
        # 套标题样式
        rng.Style = self.doc.Styles(f"Heading {level}")
        return {"ok": True, "level": level, "text": text}

    def save(self, path: str):
        self.doc.SaveAs(path)
        return {"ok": True, "path": path}

再配一段 Click 风格的 CLI 入口：

# cli/writer.py（示意）
import click
from core.writer.heading import WriterBridge

@click.group()
def writer():
    """WPS Writer / Word 操作"""

@writer.command("add-heading")
@click.option("-t", "--text", required=True, help="标题文字")
@click.option("--level", default=1, help="标题级别")
@click.option("--doc", default=None, help="可选：文档路径")
def add_heading(text, level, doc):
    bridge = WriterBridge()
    bridge.open_or_create(doc)
    result = bridge.add_heading(text, level=level)
    click.echo(result)

这两段拼在一起，就能在命令行里跑 cli-anything-wps writer add-heading -t "Q2 复盘" --level 1，最终在 WPS 里真的多出一个一级标题。整个项目就是把这种"COM 调用 → CLI 命令"的封装规整化、扩展到 47 个动作。

几个容易被忽略但很关键的细节

实际跑过这套东西之后，我有几个感受非常深，单独拎出来说一下：

• 对象生命周期一定要管好。COM 对象在 Python 里如果不显式释放，可能会导致 WPS / Office 进程在后台堆积。仓库里基本都做了上下文管理或显式 Quit()，但你自己扩展命令时要留意。
• 接口兼容性不是 100% 等同的。WPS 的 COM 接口对 MS Office 做了大量兼容，但总有一些边缘接口表现不一致，比如某些复杂的图表类型、某些特殊的字段。仓库里的命令大多是在"两边都能跑通"的子集上做的，碰到极端 case 还是得做条件分支。
• 可见性要按需关掉。开发的时候把 Visible=True 留着方便调试，但批量跑的时候记得关掉，不然几十次 WPS 弹窗会让你电脑性能直接跳水。
• 错误处理必须严格。COM 调用一旦出错抛的是 pywin32 的 com_error，里面信息不是很直白，建议在 Core 层把它翻译成更有可读性的 JSON 错误，方便 AI 看懂下一步该怎么修。

把"原理"和"应用"接回去

讲到这里你应该能理解：harness-anything 并不是发明了什么新东西，它是把一套老技术（COM）+ 一个轻量 CLI 框架（Click）+ 一个面向 AI 友好的接口风格，重新组合成了一个适合大模型时代的工具。

这种"基于成熟技术做组合创新"的做法，往往比"硬上一套全新协议"更靠谱。因为底层稳定，上层就敢复杂。 当你看到 47 个命令、27 个 Skill 这种数量，背后其实是 COM 这一层底气足才撑得起来。

下一章，我们就拿一台真实的 Windows 机器，从零跑通整个流程。

五、我自己跑起来的完整流程

讲完原理，回到实操。这一章莫潇羽@源码七号站 把我自己跑通整套流程的过程整理出来，按步骤复述一遍。重点不是"按这个抄一遍"，而是让你心里有数：从空白机器到 AI 真的能调命令，到底要经过哪些环节、容易在哪卡住。

环境前置：缺一不可的几样东西

先把硬性前置说清楚。莫潇羽@源码七号站 实测下来，下面这些一个都不能少：

如果你电脑上同时装了 WPS 和 MS Office，强烈建议先想清楚你想用哪个，因为两边的 COM ProgID 可能会"打架"——简单说就是 Dispatch("Excel.Application") 不一定指向你以为的那个软件，需要在配置里明确指定。

第一步：装 Python 和 pywin32

新机器的话，我一般推荐先装 Anaconda 或 Miniconda，省事。最小化做法是：

# 1. 装 Python（这里假设你已经在 PowerShell 里）
# 直接去 python.org 下 3.10+ 安装包

# 2. 装 pywin32
pip install pywin32

# 3. 跑 post-install（很多人卡在这里，必须做！）
python -m pywin32_postinstall -install

第 3 步是个大坑。pywin32 装完之后，有些 COM 接口在没跑 postinstall 的时候是注册不全的，会出现"明明装了 pywin32，但 Dispatch 死活拿不到 wps.Application"的诡异现象。这一步做完一般就好了。

第二步：拉仓库 + 安装子模块

拿 WPS 模块举例，安装的方式有两种：

方式 A：直接从 GitHub 装最新版

pip install git+https://github.com/yb2460/cli-anything-wps.git

方式 B：源码安装（推荐，方便后续改命令）

git clone https://github.com/yb2460/harness-anything.git
cd harness-anything/wps-harness/agent-harness
pip install -e .

-e 是 editable 模式，装完之后你改源码不需要重新 install。如果你想给项目提 PR，或者想给自己加几个定制命令，这种方式更顺手。

Photoshop 和 Illustrator 模块同理：

cd harness-anything/photoshop-harness/agent-harness
pip install -e .

cd ../../illustrator-harness/agent-harness
pip install -e .

装完之后，可以在 PowerShell 里跑一下：

cli-anything-wps --help
cli-anything-photoshop --help
cli-anything-illustrator --help

只要 --help 能正常输出，说明这一层就通了。

第三步：跑通"Hello World"

我个人的习惯是，任何新工具上手都先跑一个最小可行示例，确认整条链路是通的，再去玩复杂功能。

WPS 这边我跑的第一条命令是：

cli-anything-wps writer document new D:/tmp/hello.docx
cli-anything-wps writer add-heading -t "Hello, 莫潇羽@源码七号站" --level 1 --doc D:/tmp/hello.docx

跑完之后，WPS 真的弹了出来，新建了 hello.docx，里面是一个一级标题。那一刻我才真正确信，这套东西是能落地的，不是 README 吹的。

PS 这边我跑的是：

cli-anything-photoshop project new D:/tmp/poster.psd -w 1080 -h 1920
cli-anything-photoshop text add --content "FY7 Test" --font "Arial" --size 96 --color "#FFFFFF" --doc D:/tmp/poster.psd
cli-anything-photoshop export png --output D:/tmp/poster.png --doc D:/tmp/poster.psd

注意一点，PS 启动第一次的时候比较慢，命令可能要等十几秒才有响应，别以为它卡死了。

第四步：组合命令做一份真实文档

跑通 Hello World 之后，我马上试了一个稍微复杂一点的场景——让 AI 给我生成一份"6 月运营复盘"文档。我把它拆成了如下命令流：

# 新建文档
cli-anything-wps writer document new D:/work/202606_review.docx

# 加封面信息
cli-anything-wps writer add-heading -t "2026 年 6 月运营复盘" --level 1 --doc D:/work/202606_review.docx
cli-anything-wps writer add-paragraph -t "撰写人：莫潇羽 / 源码七号站" --doc D:/work/202606_review.docx
cli-anything-wps writer add-paragraph -t "时间：2026 年 7 月 5 日" --doc D:/work/202606_review.docx

# 一级章节：核心数据
cli-anything-wps writer add-heading -t "一、本月核心数据" --level 2 --doc D:/w