当前位置：首页 » AI智能体

OpenCLI：用命令行重新定义软件的边界，万物皆可 CLI

1小时前 AI智能体 7 0

最近在浏览 GitHub 的开源项目时，我注意到一个有趣的现象：越来越多的开发者开始思考一个问题——为什么我们要让 AI Agent 去学会人类的交互方式（点击、拖拽、填表单），而不是直接给软件装上 CLI（命令行接口）？

OpenCLI 就是这个思路的一个具体实践。

与其说它是一个效率工具，不如说它在尝试一件更根本的事情：把过去 40 年来 GUI 做的工作反向操作一次——从让机器学会人的语言，变成让人和 AI 都说机器的语言。

项目核心定位

OpenCLI 的目标很直接：把任何有网页或 Electron 界面的应用都变成命令行工具。

这包括几类目标：

网站类：B 站、知乎、小红书、Twitter/X、Reddit、YouTube 等
桌面应用：Cursor IDE、Notion、Discord、飞书、微信、网易云音乐等
特殊应用：超星学习通、微信读书等垂直工具

目前已内置 80+ 个命令，覆盖 30+ 个站点和应用。

技术路线对比

在讨论 OpenCLI 之前，需要提一下同类项目 CLI-Anything

这样能更清楚地看出两者的差异：

维度	CLI-Anything	OpenCLI
技术思路	从源码出发	从浏览器出发
依赖条件	需要软件源码或 API 文档	只需浏览器访问权限
适用范围	开源桌面软件（GIMP、Blender、Audacity 等）	网站、Electron 应用、闭源软件
实现方式	扫描源码，自动生成 CLI 适配器（基于 Python Click）	通过 Chrome 扩展 + 浏览器协议直接操作界面

两个项目互补性很强：有源码的用 CLI-Anything 处理，无源码的则由 OpenCLI 处理。

核心技术架构

工作链路

OpenCLI 的架构相对轻量级：

CLI 命令 → 本地 Daemon → WebSocket → Chrome 扩展 → 网页/应用操作

具体流程：

在 Chrome 浏览器安装轻量级扩展（Browser Bridge）
本地启动守护进程（Daemon），监听 localhost:19825
用户在终端输入命令（如 opencli bilibili hot）
Daemon 通过 WebSocket 将指令发送给 Chrome 扩展
扩展在浏览器中执行相应操作，返回结果
结果格式化输出到终端

权限管理特点

OpenCLI 有一个设计要点：复用 Chrome 中已有的登录态。

你在 B 站登录了，Agent 就能用你的账号获取数据
不需要单独配置 Cookie、API Key 或密钥
用户密码和凭据始终不离开浏览器
Daemon 空闲 5 分钟自动退出，不会常驻占用资源

这也隐含了一个权限边界问题：Agent 拥有的权限等于你在浏览器中的权限。你能发送的消息，Agent 也能；你能删除的内容，Agent 也能。这既是便利（即开即用），也是风险。

为 Agent 设计的三个核心命令

OpenCLI 最有意思的地方在于，它专门为 AI Agent 设计了三个自适应命令：

1. explore

作用：自动发现目标网站有哪些可调用的 API

工作方式：

不是静态扫描，而是真实打开浏览器
自动点击、滚动、观察网络请求
记录所有可用的 API 端点

2. synthesize

作用：自动生成 CLI 适配器

工作方式：

基于 explore 的结果自动生成对应命令
零代码输入，全自动包装成命令行工具

3. cascade

作用：自动探测目标网站的认证策略

工作方式：分级尝试，从简到复杂

第一级：公开 API（无认证）
第二级：Cookie 认证
第三级：网络请求签名拦截
更高级别的自定义认证方案

一条命令完成全流程

opencli generate https://example.com --goal "hot"

这意味着：AI Agent 即使是第一次接触某个网站，也能自动摸索出如何用命令行去操控它。

应用场景与使用示例

网站类命令示例

opencli bilibili hot -f json          # B 站热门视频（JSON 格式）
opencli zhihu hot -f yaml              # 知乎热榜（YAML 格式）
opencli twitter bookmarks -f md        # Twitter 书签（Markdown 格式）
opencli youtube info       # YouTube 视频信息

数据流转场景

举几个实际应用的例子：

内容聚合：从 B 站抓热门视频字幕 → AI 总结 → 发送到飞书群
数据分析：从雪球拉股票数据 → AI 分析 → 写入 Notion 文档
工作流自动化：监控 Reddit 特定话题 → 触发自定义脚本 → 更新本地数据库

输出格式支持

OpenCLI 支持多种输出格式，便于与其他工具组合：

JSON（结构化数据处理）
YAML（配置文件友好）
Markdown（文档生成）
CSV（数据分析工具友好）

Electron 应用支持的突破

OpenCLI 最近一个重要更新是对所有 Electron 应用的支持。这意味着什么？

现代桌面应用中有大量使用 Electron 构建：VS Code、Slack、Discord、Notion、飞书、微信开发者工具、Figma 等。简单说，你能叫出名字的现代应用，有一半以上跑的都是 Chromium 内核。

实现原理

通过 Chrome DevTools Protocol（CDP） 与应用内核通信
每个应用分配固定端口（Cursor 9222、ChatGPT 9224、Notion 9230）
通过 DOM 操作读取和注入内容

处理复杂交互的方案

对于 React 等框架的富文本编辑器，OpenCLI 采用了巧妙的做法：

不直接设置 .value 属性（这样框架内部状态不会更新），而是使用 document.execCommand('insertText') 模拟真实的文本输入，绕过框架的状态管理。

这样 Agent 可以：

在 Cursor 中直接写代码
在 Notion 中编写文档
在 Discord 中发送消息
全程通过命令行操作

安装与部署

基础需求

Chrome 浏览器（安装 OpenCLI 扩展）
Node.js 环境（运行本地 Daemon）
终端/命令行工具

快速开始步骤

Clone 项目到本地
安装 Chrome 扩展
启动本地 Daemon 进程
在终端执行 CLI 命令

具体步骤可参考官方 GitHub 仓库的 README 文档。

现状与社区反应

从 GitHub 的星数增长可以看出开发者的热情：

CLI-Anything：已达 15000+ Stars
OpenCLI：短短几天内涨到 2300+ Stars

这反映了一个明确的趋势：开发者社区正在重新审视软件的交互方式。

总结与思考

从产品经理的角度看，OpenCLI 的意义不只在于工具层面。

过去 40 年，计算机交互的主线是 GUI 化——把机器的复杂性隐藏在图形界面后面，让非技术用户也能使用。但这种设计有一个隐含的前提：用户是人。

现在 AI Agent 的出现改变了这个前提。对 Agent 来说，GUI 反而是最低效的交互方式。Agent 的"母语"是文本和结构化数据——也就是 CLI 的本质。

所以 OpenCLI 做的事情，是在补一个 40 年的"翻译缺口"：

人用 GUI，AI 用 CLI
以前需要人手动搬运数据，现在 Agent 可以自动编排
以前每个软件是孤岛，现在它们都变成了可组合的"积木"

配合 CLI-Anything（处理有源码的桌面软件），整个软件世界正在被重新"插上插头"。OpenCLI 代表的不是一个工具的创新，而是一次人机交互范式的递进——从"人机对话"时代，进入"机器自主"时代。

如果你在做 Agent 应用开发，或者在思考如何让多个系统之间流畅地协作，OpenCLI 值得关注。它不会立即改变你的工作方式，但它在构建的基础设施，可能会决定未来 5 年 Agent 生态的样子。