1. 项目概述：当AI智能体学会“动手”，桌面自动化进入新阶段

最近在捣鼓AI智能体（AI Agent）的落地应用，发现一个挺有意思的瓶颈：很多智能体号称能帮你处理各种任务，但一到需要操作具体软件、登录特定网站、抓取实时数据的时候，就卡壳了。要么告诉你“我无法访问外部网络”，要么就是操作流程繁琐，需要你手动复制粘贴、点来点去，所谓的“自动化”大打折扣。这背后的核心矛盾在于，大模型本身是“思考者”，擅长理解和规划，但它缺乏直接与操作系统、桌面应用交互的“手”和“眼睛”。

直到我深度体验了基于 opencli-skill 构建的AI智能体桌面自动化工作流，这个问题才有了一个优雅的解决方案。这个项目本质上是一套“桥梁”或“工具包”，它让AI智能体能够通过命令行（CLI）直接、可靠地操控你的浏览器和桌面应用，去执行诸如 抓取B站视频信息、监控微信聊天记录、自动发布内容 等一系列具体任务。它解决的正是智能体“最后一公里”的执行问题——将AI的决策能力，转化为可重复、可脚本化的桌面级操作。

简单来说，它让AI智能体从“顾问”变成了“操作员”。你不再需要告诉智能体“去B站搜一下AI编程的视频，然后把标题和链接整理给我”，然后自己再去浏览器里执行。而是可以直接对智能体下指令，它自己就能调用 opencli bilibili search 这样的命令，把结构化数据直接返回给你，甚至进行下一步处理。这尤其适合需要高频、重复处理多平台信息的运营、内容创作者、数据分析师或者单纯想提升数字生活效率的极客。

2. 核心思路：为什么是OpenCLI + AI Agent？

在深入实操之前，得先理清这个组合的技术逻辑。市面上浏览器自动化工具不少，比如Selenium、Puppeteer，为什么OpenCLI+AI Agent的方案值得关注？关键在于它重新划分了“思考”与“执行”的边界，并大幅降低了集成复杂度。

2.1 传统自动化与AI自动化的分野

传统的桌面自动化，无论是RPA（机器人流程自动化）还是脚本，核心是“录制与回放”或“基于规则的编程”。你需要预先精确地定义每一步：点击哪里、输入什么、等待多久。一旦页面结构（DOM）发生变化，脚本很可能就失效了。这类工具是“盲”的，它严格按指令行事，缺乏应对变化的灵活性。

AI智能体驱动的自动化，则是“目标导向”的。你只需要给出一个自然语言描述的目标，比如“把我微信群里今天提到‘项目周报’的聊天记录导出成表格”，智能体需要自己理解这个目标，将其分解为一系列子任务（登录微信、定位群聊、搜索关键词、提取信息、格式化导出），并为每个子任务选择合适的工具（即CLI命令）来执行。这里的智能体是“大脑”，而OpenCLI提供的各种 skill （技能）就是它可调用的、功能明确的“工具手”。

2.2 OpenCLI的核心价值：标准化的“工具手”接口

OpenCLI项目的精髓在于，它将成百上千个网站和桌面应用的操作，封装成了统一的命令行接口。这对AI智能体来说是天大的好事：

  1. 接口标准化 ：无论操作对象是B站、知乎，还是微信、飞书，对智能体而言，都是调用一个形如 opencli [platform] [action] [parameters] 的命令。这极大地简化了智能体的工具调用逻辑，它不需要学习每个平台独特的API或网页结构，只需掌握这一套命令范式。
  2. 执行本地化与零Token消耗 ：这是最关键的经济账。OpenCLI命令是在你本地环境的浏览器实例中执行的，它直接操作你已经登录的会话。这意味着，从打开网页、点击按钮到获取数据，整个过程 不经过大模型推理 。AI智能体只负责规划（消耗少量Token）和解析结果（可选择性进行），大量的、重复的页面操作成本为零。相比于让大模型去“模拟点击”的Agent方案，这省下了海量的Token费用。
  3. 登录态无缝继承 ：通过浏览器扩展，OpenCLI能直接复用Chrome等浏览器中已有的登录Cookie和会话。你无需在脚本中硬编码用户名密码或手动管理Token，既安全又便捷。这意味着你的智能体可以天然地以“你的身份”去操作这些平台。
  4. 结果结构化 ：OpenCLI命令的输出默认是JSON或CSV等结构化格式。这正好是AI智能体最容易理解和处理的格式，智能体可以轻松地从中提取关键字段，进行汇总、分析或生成报告。

所以， opencli-skill 就是专门为AI智能体（如基于LangChain、Dify、Coze平台搭建的Agent）设计的一个插件或适配器。它让智能体框架能够识别、描述并调用这些OpenCLI命令，从而将OpenCLI的强大执行能力，无缝嵌入到智能体的决策循环中。

3. 环境搭建与核心组件部署

理论讲完，开始动手。要让AI智能体能驱动OpenCLI，我们需要搭建一个完整的运行环境。这个过程涉及几个核心组件，我会详细说明每一步的意图和可能遇到的坑。

3.1 基础环境准备：Node.js与OpenCLI核心

OpenCLI基于Node.js开发，所以这是基石。

  1. 安装Node.js ：确保安装版本在21及以上。建议使用nvm（Node Version Manager）来管理多版本，避免全局污染。

    # 使用nvm安装并切换至最新LTS版本或21+
nvm install 20
nvm use 20
# 验证安装
node --version
npm --version

    注意 ：虽然官方推荐21+，但实测Node.js 18/20 LTS版本大部分功能也可运行。如果遇到某些ESM模块问题，升级到21+是最稳妥的。

  2. 全局安装OpenCLI核心 ：这是所有能力的源头。

    npm install -g @jackwener/opencli

    安装完成后，在终端输入 opencli list ，你应该能看到一长串可用的命令列表，涵盖 bilibili , zhihu , weixin 等。如果这一步报错，通常是网络问题或权限问题。在Mac/Linux上，可以尝试在前面加上 sudo ，或者配置npm的全局安装路径权限。

  3. 安装浏览器扩展 ：这是实现登录态继承和无头浏览器自动化的关键。

    • 前往Chrome网上应用店，搜索“OpenCLI”并安装扩展。
    • 安装后，在浏览器扩展管理页面，确保OpenCLI扩展已启用。首次使用可能需要刷新页面。
    • 这个扩展的作用是建立一个本地WebSocket服务器，让本地的 opencli 命令能够与你的浏览器实例通信，并注入脚本执行操作。

3.2 关键Skill安装：针对B站、微信等平台

OpenCLI的核心命令是基础，但对于AI智能体来说，我们需要安装对应的 skill ，以便智能体框架能“知道”这些工具的存在及其用法。

  1. 安装opencli-skill（适配器） ：这个包是连接AI智能体框架和OpenCLI的桥梁。

    # 在你的AI Agent项目目录下，或者全局安装
npm install @jackwener/opencli-skill
# 或者通过npx直接添加skill到你的agent（以某些框架为例）
npx @jackwener/opencli skill add

    这个skill通常会提供一个 tools 或 skills 的定义文件，里面描述了每个OpenCLI命令的名称、描述、参数格式。AI智能体框架在加载这个skill后，就能在规划时选用这些工具。

  2. 安装平台特定CLI工具 ：有些深度集成功能需要独立的CLI工具。

    • 微信（WeChat） ：这是重头戏，也是复杂度较高的部分。 
      npm install -g @jackwener/wx-cli
      安装后， 不要立即运行 。首先确保电脑上的微信客户端处于 登录状态 。然后执行初始化： 
      sudo wx init # macOS/Linux需要root权限读取进程内存
# Windows下可能需要以管理员身份运行终端
      这个过程会尝试从微信进程的内存中扫描并解密本地聊天数据库的密钥。如果失败，请检查：
      • 微信是否已登录。
      • 是否授予了终端完全的磁盘访问权限（macOS在系统设置-隐私与安全性中）。
      • 杀毒软件或安全策略是否阻止了内存读取。 初始化成功后，可以测试一下： wx session list 应该能列出你的最近聊天会话。
    • 其他办公套件 ：如飞书、钉钉、企业微信等，也有对应的CLI工具（如 lark-cli , dws-cli , wecom-cli ），可根据需要按类似方式安装。

3.3 AI智能体框架集成

这里以两个流行的框架为例，说明如何集成opencli-skill。

  1. LangChain / LangGraph ：如果你是用Python的LangChain构建Agent。

    from langchain.tools import Tool
import subprocess
import json

def run_opencli_command(command: str) -> str:
    """执行opencli命令并返回结果"""
    try:
        # 注意：这里假设opencli已在系统PATH中
        result = subprocess.run(command, shell=True, capture_output=True, text=True, timeout=30)
        if result.returncode == 0:
            # 尝试解析JSON，如果是则返回格式化字符串，否则直接返回输出
            try:
                output_json = json.loads(result.stdout)
                return json.dumps(output_json, indent=2, ensure_ascii=False)
            except json.JSONDecodeError:
                return result.stdout.strip()
        else:
            return f"命令执行失败: {result.stderr}"
    except subprocess.TimeoutExpired:
        return "命令执行超时"
    except Exception as e:
        return f"执行异常: {str(e)}"

# 定义工具集
opencli_tools = [
    Tool(
        name="bilibili_search",
        func=lambda q: run_opencli_command(f'opencli bilibili search "{q}" --limit 5'),
        description="搜索B站视频。输入：搜索关键词。返回视频标题、UP主、播放量等信息。"
    ),
    Tool(
        name="weixin_search_chat",
        func=lambda k: run_opencli_command(f'wx history --keyword "{k}" --limit 10'),
        description="搜索微信聊天记录。输入：关键词。返回包含该关键词的最近聊天记录。"
    ),
    # 可以继续添加更多工具，如 zhihu_search, reddit_hot 等
]

# 然后将这些tools添加到你的AgentExecutor中

    实操心得 ：在LangChain中， subprocess 调用是可行但略显粗糙的方式。更优雅的做法是利用OpenCLI可能提供的Python SDK（如果有），或者将常用命令封装为更安全的函数，处理好参数转义和错误处理，避免命令注入风险。

  2. Dify / Coze 等可视化智能体平台 ： 这类平台通常有“自定义工具”或“插件”功能。

    • 在Dify中，你可以创建一个“自定义工具”，配置HTTP请求。但OpenCLI是本地命令，需要一个小型本地API服务作为中转。你可以写一个简单的FastAPI或Express服务，暴露几个端点，如 /api/bilibili/search ，在这个服务内部调用 opencli 命令。
    • 在Coze（扣子）或类似平台，你可能需要将其部署为“本地插件”，原理类似，通过一个本地运行的网关服务，将平台的网络请求转换为本地命令行调用。
    • 更直接的方法 ：一些先进的智能体平台开始支持直接调用服务器上的Shell命令或预装工具。你需要查阅平台文档，看是否支持“命令行工具”类型的技能接入，然后将opencli的命令路径配置进去。

4. 实战工作流构建：B站监控与微信信息聚合

环境搭好了，工具也接入了，我们来设计两个具体的自动化工作流，看看AI智能体如何串联这些命令。

4.1 工作流一：B站竞品视频日度监控报告

目标 ：每天上午10点，自动搜索指定关键词（如“AI编程”、“Cursor”），获取最新视频，分析头部视频的数据（播放、点赞、投币），并生成一份简短的邮件或钉钉群报告。

智能体规划与执行步骤 ：

  1. 触发 ：定时任务（如crontab或云函数）启动智能体，传入指令：“获取B站关于‘AI编程’和‘Cursor’的最新20个视频，分析前5名数据，生成简报”。
  2. 分解与执行 ：
    • 步骤A ：智能体调用 bilibili_search 工具，关键词“AI编程”，限制20条。获得JSON结果。
    • 步骤B ：智能体解析结果，按播放量排序，选取前5条。提取字段： title , author , play , like , coin , url 。
    • 步骤C ：智能体再次调用 bilibili_search 工具，关键词“Cursor”，重复步骤A、B。
    • 步骤D ：智能体将两个关键词的TOP5视频合并，进行简单分析（如总播放量、平均点赞率）。
    • 步骤E ：智能体根据模板，生成Markdown格式简报。
    • 步骤F ：智能体调用邮件发送工具或钉钉机器人工具，将简报发出。

关键OpenCLI命令详解 ：

# 搜索命令，--limit 控制数量，--order 可指定排序（如click播放量，pubdate发布时间）
opencli bilibili search "AI编程" --limit 20 --order click

返回的数据结构通常包含一个 data 列表，每个视频对象有 title , author , play (播放量字符串，如“10万”), like , coin , bvid 等字段。

注意事项 ：

  • 频率限制 ：B站等平台有反爬机制，高频请求可能导致IP暂时被限制。建议在脚本中增加随机延迟（如 sleep(1-3) 秒）。
  • 数据清洗 ： play 字段是“10万”这样的字符串，需要转换为数字以便计算。可以写个小函数处理“万”、“亿”等单位。
  • 结果稳定性 ：搜索结果是动态的，可能受推荐算法影响。对于严格监控，可以考虑结合指定UP主（ --mid 参数）或直接监控某个视频系列（ av号 / bv号 ）的方式。

4.2 工作流二：微信工作群关键信息自动归档至Notion

目标 ：实时或定时监控某个微信工作群，当出现包含“会议纪要”、“任务安排”、“bug”等关键词的消息时，自动将这条消息以及其上下文（前后各2条）抓取下来，整理后同步到Notion的指定数据库。

智能体规划与执行步骤 ：

  1. 触发 ：可以是定时任务（每5分钟检查一次），理想情况下是监听微信本地数据库的变动（但这需要更高阶的hook技术，这里用轮询）。
  2. 分解与执行 ：
    • 步骤A ：智能体调用 wx_history 工具，针对特定群聊（通过 --talker 指定群聊ID或备注名），搜索关键词“会议纪要”，限制最近50条。
    • 步骤B ：智能体解析返回的聊天记录。每条记录包含 talker （发送者）， content （内容）， createTime （时间戳）。智能体需要判断哪些是新消息（与上次检查的时间戳对比）。
    • 步骤C ：对于每条新触发关键词的消息，智能体需要获取其上下文。这里 wx-cli 可能没有直接接口，一个变通方法是：用 wx history 获取该群聊更大量的历史记录，然后在内存中根据时间戳定位目标消息并提取前后文。
    • 步骤D ：智能体将抓取到的消息块（触发消息+上下文），按照既定格式（发送者、时间、内容）进行整理。
    • 步骤E ：智能体调用Notion API工具（OpenCLI也提供了 notion 相关命令或可通过其CDP能力操控Notion应用），将整理好的内容作为新页面插入到指定的Notion数据库中。

关键OpenCLI命令详解 ：

# 列出所有会话，找到目标群聊的标识（如微信号或内部ID）
wx session list

# 搜索特定聊天者的历史消息，--keyword用于过滤，--limit控制数量
wx history --talker "群聊名称|微信号" --keyword "会议纪要" --limit 50

# 更通用的搜索，不指定talker，在所有聊天中搜索
wx history --keyword "bug" --limit 30

wx-cli 的输出是JSON数组，每个对象包含 _id , talker , content , createTime , type 等字段。 type 为1代表文本，3代表图片等。

实操心得与警告 ：

  • 隐私与合规红线 ：此工作流涉及读取私人聊天记录并自动外发， 必须事先获得所有相关方的知情同意 ，且仅用于合规的工作场景。个人聊天绝对禁止使用。这是技术和伦理的边界，切勿逾越。
  • 性能与稳定性 ：频繁轮询微信数据库可能影响微信客户端性能，甚至触发微信的安全机制。建议检查间隔不要太短（如不低于5分钟）。
  • 消息类型处理 ：微信消息不只有文本，还有图片、语音、文件、引用、系统通知等。 wx-cli 可能无法完美解析所有类型，对于非文本消息， content 字段可能是XML或路径标识。你的智能体需要能处理这些异常情况，或者过滤掉非文本消息。
  • 群聊识别 ：群聊的 talker 标识可能是一串随机字符，不易读。最好先用 wx session list 命令配合 --verbose 参数运行一次，将群聊昵称与对应的标识符映射关系保存下来，供后续脚本使用。

5. 进阶技巧与深度集成方案

掌握了基础工作流后，可以探索更高效、更强大的集成模式。

5.1 利用CDP协议操控桌面应用

OpenCLI的高级功能是通过Chrome DevTools Protocol (CDP) 直接控制Electron应用或浏览器标签页。这意味着你可以不局限于现有的CLI命令，而是让智能体“看到”屏幕并“操作”任意应用。

  1. 原理 ：OpenCLI可以通过 opencli cdp 命令族，向一个已打开的浏览器或Electron应用（如Cursor IDE、ChatGPT桌面版、Notion桌面版）发送CDP指令，模拟点击、输入、获取DOM元素等。
  2. 应用场景 ：
    • 自动化Cursor AI编程 ：智能体可以编写一段代码，然后自动在Cursor的Composer面板中执行、调试。
    • 操作Notion ：虽然Notion有API，但API有时不如界面操作灵活。可以通过CDP自动创建页面、拖拽块、切换视图。
    • 与桌面端AI助手交互 ：自动将一段文本发送到豆包AI或ChatWise的桌面客户端，并获取回复。
  3. 示例思路 ： 
    # 首先，需要启动目标应用并开启远程调试端口。
# 例如，启动Chrome：chrome --remote-debugging-port=9222
# 然后，使用opencli连接并执行操作
opencli cdp open --url "chrome://version" # 打开一个标签页
opencli cdp click --selector "#selector_id" # 点击某个元素
    将这一系列CDP命令封装成工具，AI智能体就能像操作浏览器一样操作这些桌面应用了。这需要你具备一定的前端知识，能分析目标应用的DOM结构。

5.2 构建自适应的网页操作Skill

如果OpenCLI社区没有你需要的网站适配器，你可以利用其提供的 opencli-adapter-author skill，让AI智能体帮你（或半自动地）创建新的适配器。

  1. 过程 ：你告诉智能体“我需要一个能自动登录并抓取XX网站个人中心数据的工具”。
  2. 智能体行动 ：智能体可以调用 opencli-adapter-author 相关的工具，该工具可能会引导你打开目标网站，录制你的操作流程（点击、输入），然后基于这些操作生成一个可复用的适配器代码。
  3. 意义 ：这极大地降低了为小众网站或内部系统开发自动化工具的门槛，将开发工作从“写代码”变成了“做演示”。

5.3 与RPA工具结合，补全“物理”操作

OpenCLI解决了“信息获取”和“软件操作”，但有些流程还涉及“物理”交互，比如打开某个桌面软件（非Electron）、等待一个弹窗、从特定文件夹读取文件等。这时可以结合传统的RPA工具（如UiPath、影刀，或开源的AutoHotkey、Python的pyautogui）。

  • 分工模式 ：AI智能体作为“总指挥”。它判断需要读取一个本地Excel文件，于是调用一个“pyautogui工具”去打开文件管理器，导航到路径，双击文件。文件被Excel打开后，智能体再通过OpenCLI的CDP能力（如果Excel是Web版或支持自动化接口）或者另一个专门读取Excel的工具去获取数据。
  • 架构设计 ：可以设计一个“本地自动化网关”，这个网关提供一系列API，背后分别调用OpenCLI命令、PyAutoGUI脚本、系统命令行等。AI智能体只与这个网关通信，由网关来调度不同的底层执行引擎。

6. 常见问题、排查与优化实录

在实际部署和运行中，你肯定会遇到各种问题。这里记录一些典型情况和解决思路。

6.1 OpenCLI命令执行失败

问题现象 可能原因 排查步骤与解决方案
opencli list 无输出或报错 1. Node.js版本过低
2. 全局安装路径不在PATH
3. 安装不完整		 1. node -v 检查版本，升级至21+。
2. which opencli 检查命令位置，或将npm全局bin目录加入PATH。
3. 重新安装： npm uninstall -g @jackwener/opencli && npm install -g @jackwener/opencli
执行具体命令如 opencli bilibili search 无反应或报超时 1. 浏览器扩展未安装或未连接
2. 浏览器未启动或未登录目标网站
3. 网络问题		 1. 确认Chrome已安装OpenCLI扩展并启用。重启浏览器试试。
2. 手动用浏览器打开B站，确保处于登录状态。
3. 检查终端是否能正常访问外网。尝试 opencli cdp open --url "https://www.bing.com" 看能否打开网页。
命令返回 Error: No adapter found for ... 该平台适配器未内置或未安装 1. 运行 opencli list 确认该平台是否在列表内。
2. 查看社区插件： opencli plugin list ，尝试安装第三方适配器。
3. 考虑使用通用CDP模式或自行开发适配器。

6.2 wx-cli 初始化或使用失败

问题现象 可能原因 排查步骤与解决方案
sudo wx init 失败，提示权限或路径错误 1. 微信未登录
2. macOS隐私权限未开
3. 微信数据目录路径非常规		 1. 确保微信客户端已登录并处于前台活跃状态。
2. (macOS) 系统设置-隐私与安全性-完全磁盘访问权限，确保终端或iTerm等应用已被勾选。
3. 尝试指定数据目录： sudo wx init --data-dir ~/Library/Containers/com.tencent.xinWeChat/Data/Library/Application\ Support/com.tencent.xinWeChat/ (macOS)。Windows路径类似。
wx history 搜不到消息或返回空 1. 聊天记录未同步到本地或已加密
2. 关键词或talker参数有误
3. 数据库密钥解析失败		 1. 确保你想搜索的聊天记录在本地客户端是可见的（非仅云端）。
2. 先用 wx session list 确认准确的talker标识，使用 --verbose 模式查看详情。关键词尝试用简单中文。
3. 重新初始化 wx init ，并确保使用sudo。
执行命令后微信客户端卡顿或闪退 频繁读取数据库可能干扰微信正常运行 降低查询频率，避免在微信进行密集操作（如视频通话、大量收发消息）时执行cli命令。

6.3 AI智能体集成与调用问题

问题现象 可能原因 排查步骤与解决方案
智能体无法识别opencli工具 Skill未正确加载或工具定义有误 1. 检查AI框架的日志，看skill插件是否加载成功。
2. 检查工具的描述（description）是否清晰，参数格式是否与框架要求匹配。
3. 在框架中手动测试工具调用，看是否能返回预期结果。
工具调用超时 1. OpenCLI命令本身执行慢
2. 网络或浏览器响应延迟
3. 子进程管理问题		 1. 在智能体工具调用中设置合理的超时时间（如30秒）。
2. 优化OpenCLI命令，添加 --timeout 参数（如果支持）。
3. 考虑将耗时命令改为异步执行，通过回调或轮询获取结果。
返回结果解析错误 OpenCLI输出格式变化或非标准JSON 1. 在工具函数中增加更健壮的解析逻辑，捕获JSON解析异常，并尝试处理纯文本输出。
2. 使用 opencli ... --output json 明确指定输出格式（如果命令支持）。
3. 定期测试你的工具，因为网站改版可能导致适配器输出变化。

6.4 性能与稳定性优化

  1. 浏览器实例管理 ：频繁通过CDP打开新标签页会消耗资源。可以复用同一个浏览器实例，甚至使用无头模式（Headless）来执行后台任务。OpenCLI支持连接到一个已存在的远程调试浏览器实例。
  2. 命令缓存 ：对于不要求绝对实时性的数据（如B站视频的统计数据，几分钟内变化不大），可以在智能体侧或网关侧增加缓存层，避免重复请求，减轻目标网站压力和触发反爬。
  3. 错误重试与熔断 ：网络请求难免失败。在工具调用封装层实现简单的重试机制（如最多3次，指数退避）。对于连续失败的工具，可以暂时熔断，避免陷入死循环。
  4. 日志与监控 ：所有OpenCLI命令的调用、参数、结果、耗时都应记录日志。这不仅是排查问题的依据，也能帮你分析智能体的工具使用模式，优化提示词或工具设计。

经过这一整套从原理到实践，从搭建到排坑的梳理，你应该能感受到，基于opencli-skill的AI智能体桌面自动化，其威力不在于单个命令多神奇，而在于它提供了一套标准化、可编程的“执行层”，将AI的思考与真实世界的数字操作无缝连接了起来。它让构建一个能真正“干活”的、个性化的数字助理，门槛降低了许多。当然，能力越大责任也越大，尤其是在处理微信等私域数据时，务必时刻将合规与隐私放在首位。

# AI智能体
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

AI Agent核心概念100题精练

（将长历史总结成要点）、

avatar AI Agent技术社区

群星（Star）- AI Agent 调度中心 项目设计版

项目摘要： "群星（Star）"是一个运行于Windows系统的AI Agent调度中心，旨在统一管理多个AI编程助手（如Trae、Cursor等）。其核心功能包括：自动发现Agent进程（星图）、任务队列管理（星轨）、输入/输出监控（星语）、指令干预（星令）及结果汇总（星辉）。项目采用分层架构，前端基于React/Vite或Electron，后端（星核）使用Python 3.12，通过Win32

avatar AI Agent技术社区
cover

让 AI Agent 系统自己发现 bug、自己提修复 PR：自我进化的 Harness

avatar AI Agent技术社区