تصور کنید یک عامل هوش مصنوعی بتواند بدون باز کردن حتی یک پنجره، گزارشهای مالی پیچیده یا ارائههای مدیریتی را با دقت پیکسل-به-پیکسل طراحی کند. در ۶ ژوئیه ۲۰۲۶، ابزاری به نام OfficeCLI این امکان را فراهم کرد تا کنترل قطعی و مستقیم بر رایجترین فرمتهای بهرهوری دنیا تنها از طریق یک فایل باینری (Binary) ممکن شود. این ابزار یک رابط خط فرمان (CLI) مستقیم برای خودکارسازی فایلهای Word، Excel و PowerPoint است که نیاز به نصب مجموعهی آفیس یا وابستگیهای پیچیده پایتونی را بهطور کامل از بین میبرد.
برای سالها، عاملهای هوش مصنوعی در مواجهه با فایلهای آفیس با مشکل جدی روبرو بودند؛ چرا که آنها نمیتوانستند چیدمان نهایی را «ببینند» و اغلب بر اساس یک DOM خام یا کدهای XML حدس میزدند. این موضوع یک «نقطه کور» ایجاد میکرد که منجر میشد عاملها اشکال را در یک اسلاید روی هم بیندازند یا متنها در یک سند سرریز شوند. OfficeCLI با جایگذاری یک موتور رندرینگ با دقت بالا و یک موتور فرمول داخلی در دل باینری خود، این مشکل را حل کرده است. اکنون عاملها میتوانند یک صفحه را به صورت PNG یا HTML رندر کرده، نتیجه بصری را بازرسی کنند و در یک حلقهی بسته، اصلاحات لازم را اعمال نمایند.
زیرساخت و یکپارچگی
OfficeCLI نخستین مجموعهی آفیسی در جهان است که بهطور اختصاصی برای عاملهای هوش مصنوعی طراحی شده است. این پروژه تحت مجوز Apache 2.0 متنباز است و به صورت یک فایل تک-باینری بدون هیچ وابستگی خارجی عرضه میشود. این ویژگی به این معناست که ابزار در هر محیطی، از جمله کانتینرهای داکر (Docker) و محیطهای CI/CD بدون رابط گرافیکی (Headless)، بهراحتی اجرا میشود. فلسفه اصلی این ابزار، بستن حلقهی «رندر $\rightarrow$ مشاهده $\rightarrow$ اصلاح» است تا از طریق رندرینگ داخلی، برای عاملهای AI «چشم» ایجاد کند.
رندرینگ بهمثابه بینایی
موتور رندرینگ داخلی، سنگبنای این سیستم است. این موتور به عامل اجازه میدهد بهجای حدس زدن از روی DOM، مستقیماً سند را مشاهده کند. این قابلیت شامل رندر کردن اشکال، معادلات ریاضی (تبدیل OMML به MathJax)، و مدلهای سه-بعدی پیچیده .glb از طریق Three.js است. حتی انتقالهای Morph (مورف) و قابلیت زوم اسلایدها نیز توسط این موتور رندر میشوند.
سه حالت بصریسازی در این سیستم تعریف شده است:
- view html: تولید یک فایل HTML مستقل که داراییها (Assets) در آن داخلی شدهاند تا در هر مرورگری باز شود.
- view screenshot: تولید تصاویر PNG برای هر صفحه، که به عاملهای چندوجهی (Multimodal Agents) اجازه میدهد چیدمان را «بخوانند» و تحلیل کنند.
- watch: راهاندازی یک سرور HTTP محلی در آدرس
http://localhost:26315برای بهروزرسانیهای آنی. هر دستور افزودن، تنظیم یا حذف، مرورگر را فوراً رفرش میکند. در اکسل، حالت watch بهطور ویژه از ویرایش داخلی سلولها و جابهجایی نمودارها با درگ کردن پشتیبانی میکند.
مسیرهای دسترسی برای کاربر
برای کاربران انسانی، دو نقطه ورود اصلی در نظر گرفته شده است:
- گزینه الف — رابط گرافیکی (GUI): نصب اپلیکیشن AionUi؛ یک برنامه دسکتاپ که به کاربران اجازه میدهد با استفاده از زبان طبیعی، اسناد را ایجاد و ویرایش کنند. AionUi در پشت صحنه توسط OfficeCLI تغذیه میشود؛ کاربر نتیجه مطلوب را توصیف میکند و AionUi اجرای فنی را مدیریت میکند.
- گزینه ب — خط فرمان (CLI): دانلود مستقیم باینری از بخش Releases گیتهاب. این ابزار برای macOS (تراشههای Apple Silicon و Intel)، لینوکس (x64 و ARM64) و ویندوز (x64 و ARM64) در دسترس است. اجرای دستور نصب، باینری را به PATH سیستم اضافه کرده و مهارت
officecliرا بهطور خودکار در عاملهای کدنویسی شناسایی شده نصب میکند.
یکپارچگی بومی با عاملها
این ابزار بهصورت «عامل-بومی» (Agent-native) طراحی شده است و شامل یک سرور داخلی پروتکل زمینهٔ مدل (MCP) است که با Claude Code، Cursor، Windsurf و GitHub Copilot یکپارچه میشود. این رویکرد در راستای استانداردهای نوین برای یکسانسازی مدیریت متنی است، مشابه آنچه در استاندارد OKF گوگل برای بهینهسازی زمینه عاملها دیدیم. عاملها میتوانند کل مجموعه مهارتها را تنها با یک دستور دریافت کنند: curl -fsSL https://officecli.ai/SKILL.md. این فایل مهارت به عامل میآموزد که چگونه باینری را نصب کند و تمام دستورات را بدون نیاز به نوشتن کد رابط (Glue Code) توسط انسان به کار بگیرد.
یکپارچگی سیستم از طریق ویژگیهای کلیدی زیر تسهیل شده است:
- خروجی JSON قطعی: تمامی دستورات از سوییچ
--jsonبا طرحهای (Schema) ثابت پشتیبانی میکنند تا نیاز به تحلیل متنی با regex نباشد. - آدرسدهی مبتنی بر مسیر: عناصر با مسیرهای پایدار (مانند
/slide[1]/shape[2]) با اندیسگذاری از ۱ و نامهای محلی بهجای فضای نامهای پیچیده XML شناسایی میشوند. - گردشهای کاری خود-ترمیمشونده: سیستم کدهای خطای ساختاریافتهای نظیر
not_foundیاinvalid_valueرا به همراه محدودههای معتبر پیشنهادی بازمیگرداند. اگر عامل یک ویژگی را اشتباه تایپ کند، سیستم نزدیکترین مورد صحیح را پیشنهاد میدهد. - بازیابی خطا: در صورت تلاش عامل برای دسترسی به یک مسیر نامعتبر، میتواند با فراخوانی
officecli get report.docx /body --depth 1 --jsonفرزندان موجود را بررسی کرده و مسیر درست را انتخاب کند.
قابلیتهای فنی هسته
معماری OfficeCLI در سه لایه برای ایجاد تعادل میان سادگی و قدرت طراحی شده است:
- لایه ۱ (معنایی): نماهای سطح بالا برای متن، ساختارها، آمار و اسکرینشاتها. دستورات این لایه شامل
viewبا حالتهایannotated(توضیحی)،outline(طرح کلی)،text(متنی)،stats --page-count(تعداد صفحات)،issues(مشکلات)،htmlوsvgاست. - لایه ۲ (DOM): عملیات ساختاری با استفاده از مسیرها برای افزودن، جابهجایی، تغییر یا پرسوجو از عناصر. دستورات کلیدی این بخش
get،query،set،add،removeوswapهستند. - لایه ۳ (XML خام): دسترسی مستقیم XPath برای مواردی که عملیات استاندارد DOM ناکافی هستند. دستورات این لایه شامل
raw،raw-setوadd-partاست.
پشتیبانی تفصیلی از فرمتها
پشتیبانی از Word (.docx)
OfficeCLI اتوماسیون جامع Word را با پشتیبانی کامل از i18n و زبانهای راستبهچپ (RTL) ارائه میدهد. این شامل جایگاههای فونت برای هر اسکریپت، تگهای زبان BCP-47 (مانند lang.latin/ea/cs) و شمارهگذاری صفحات متناسب با محلی برای زبانهای هندی، عربی، تایلندی و CJK است. اجرای دستور create --locale ar-SA بهطور خودکار حالت RTL را فعال میکند.
- ساختار و چیدمان: پشتیبانی از
framePrبرای پاراگرافها، میانبرهای Tab و تو رفتگیهای مبتنی بر نویسه. در بخش Runها، کنترل دقیقی بر رنگ زیرخط (underline.color) و موقعیتها با واحد نیم-پوینت (half-pt) وجود دارد. جداول دارای عملیات ستونی مجازی شاملadd،remove،moveوcopyfromو همچنین قابلیتhMergeهستند. - عناصر و محتوا: کنترل کامل بر سربرگها، پاورقیها، تکست-باکسها، اشکال (چرخش، متن عمودی
eaVert/vert270، گرادینت، سایه و شفافیت)، تصاویر (PNG/JPG/GIF/SVG)، معادلات و کامنتها. ابزارهای پیشرفته شامل Footnoteها، واترمارکها، Bookmarkها، فهرست مطالب (TOC)، نمودارها، هایپرلینکها، بخشها (Sections) و فیلدهای فرم است. - بخشهای فنی پیشرفته: پشتیبانی از Content Controls (SDT) و ۲۲ نوع فیلد بدون پارامتر به علاوه
MERGEFIELD،REF،PAGEREF،SEQ،STYLEREF،DOCPROPERTYوIF. همچنین اشیاء OLE و تغییرات ردیابی شده (Tracked Changes) از طریقrevision.type(شامل درج/حذف/فرمت/جابهجایی) با اکشنهایaccept/rejectو انتخابگرهای نویسنده (مثلاً/revision[@author=Alice]) مدیریت میشوند. رنگ پسزمینه صفحات و ویژگیهای سند نیز قابل دسترسی هستند.
پشتیبانی از Excel (.xlsx)
موتور اکسل دارای سلولهایی با راهنمای صوتی (phonetic guides/furigana) و مدیریت پیشرفته شیتها شامل وضعیتهای visible ،hidden و veryHidden است. همچنین تنظیمات حاشیه چاپ و printTitleRows/Cols پشتیبانی میشوند.
- موتور فرمول: بیش از ۳۵۰ تابع داخلی بهطور خودکار هنگام نوشتن ارزیابی میشوند. این شامل آرایههای دینامیک جاری شونده (Spilling) مانند
FILTER،SORT،UNIQUE،SEQUENCE،LET،LAMBDAوMAPبا پیشوند خودکار_xlfn.است. در بخش ریاضیات تخصصی، محاسبات مالی و اوراق قرضه (XIRR،PRICE،YIELD،DURATION،COUPNUM)، توزیعهای آماری و رگرسیون (NORM.DIST،T.TEST،LINEST) و توابعOFFSET/INDIRECTپشتیبانی میشوند. - جداول محوری (Pivot Tables): ساخت جداول محوری OOXML بومی از یک محدوده منبع تنها با یک دستور. پشتیبانی از ردیفها/ستونها/فیلترهای چند-فیلدی، ۱۰ نوع تجمیع (Aggregation)، حالتهای
showDataAs،گروهبندی تاریخ، فیلدهای محاسباتی وlabelFilter/topN/fillDownLabelsدائمی. چیدمانها شامل حالتهای compact ،outline و tabular با گزینههای تکرار لیبل آیتمها و ردیفهای خالی است که از Cache CoW و اشتراکگذاری بین-پیوتی بهره میبرند. - ابزارهای داده: پشتیبانی از فرمتبندی شرطی، اسلایسرها، محدودههای نامگذاری شده (Named Ranges)، اعتبارسنجی دادهها، اسپارکلاینها و نمودارهای پیچیده (از جمله Box-whisker و Pareto با مرتبسازی خودکار و درصد تجمعی). آدرسدهی سلولها با استفاده از
$Sheet:A1و انتخابگرهای بولی برای پرسوجوهای پیچیده (مانندrow[Salary>5000 and Region=EMEA]) امکانپذیر است. همچنین وارد کردن CSV/TSV و فیلتر کردن خودکار سلولهای خالی هنگام باز کردن پشتیبانی میشود.
پشتیبانی از PowerPoint (.pptx)
اتوماسیون پاورپوینت اجازه ساخت دکهای پیچیده را بدون نیاز به قالبهای پیشفرض میدهد و از یک کاتالوگ استایل یکپارچه برای جداول استفاده میکند.
- بصریها و اشیاء: پشتیبانی از پرکردن اشکال با الگو (Pattern Fill)، افکتهای Blur و تصاویر با حالتهای متنوع پرکردن (Stretch, Contain, Cover, Tile) به همراه کنترلهای روشنایی، کنتراست، Glow و سایه. مدلهای سه-بعدی (
.glb) با کنترلهای ترکیبی چرخش در سه محور (rotation=ax,ay,az) مدیریت میشوند. اشکال پیچیده از طریق نامهای مستعار فلش (Arrow aliases) و ویژگیهایeffective.X/effective.X.srcکنترل میشوند. - دینامیکها و جریان: پشتیبانی از Slide Zoom، انیمیشنها (۱۵ پیشفرض تأکیدی و ۱۶ پیشفرض خروج)، زنجیرههای چند-افکتی و پیشفرضهای مسیر حرکت (Motion-path) با گزینههای
repeat/restart/autoReverse. همچنین انیمیشنهای نمودار وchartBuildپشتیبانی میشوند. انتقالها (Transitions) شامل Morph ،P14 و ۱۲ پیشفرض P15 (برای آفیس ۲۰۱۳ به بعد) است. - ساختار و اتصال: مدیریت عناصر از نوع
slideMasterوslideLayout. کانکتورها از طریق انتخابگرهای@name=برای لینکهای مبدأ و مقصد مدیریت میشوند. قابلیت SmartArt از طریقadd-partوraw-setو مدیریت Placeholderها از طریقphTypeفراهم شده است. ویدیوها و صوتها با کنترلهایloopوautoStartپشتیبانی میشوند و کامنتهای رشتهای مدرن (p188) برای همگامسازی دوطرفه در دسترس هستند.
گردشهای کاری با بهرهوری بالا
برای کاهش هزینه توکنها و بهبود سازگاری، پلتفرم دو مکانیزم کلیدی را پیاده کرده است:
۱. ادغام قالب (Template Merge): عامل یک بار چیدمان را با جایگذارهای {{key}} طراحی میکند. سپس کد تولیدی، این مقادیر را در پاراگرافها، سلولهای جدول، اشکال، سربرگها، پاورقیها و عناوین نمودارها از طریق دستور merge جایگذاری میکند. این رویکرد، گذاری بنیادین از سیستمهای سنتی به سمت اسناد عاملمحور است، همانطور که در مقایسهی Autype و Carbone مشاهده شد. این کار سازگاری ۱۰۰ درصدی چیدمان را در هزاران سند تضمین کرده و هزینه توکنهای تولید مجدد چیدمان را حذف میکند.
۲. دامپ رفت-وبرگشت (Round-trip Dump): دستور dump هر فایل .docx ،.pptx یا .xlsx (یا زیرشاخههای خاص) را به یک JSON دستهای قابل بازپخش تبدیل میکند. این به عامل اجازه میدهد «سبک» خاص یک انسان — مانند یک چیدمان جدول یا تم خاص — را با خواندن یک مشخصه ساختاریافته (بهجای XML خام) یاد بگیرد و سپس آن را از طریق دستور batch اعمال کند.
استقرار و عملکرد
بر اساس مستندات گیتهاب، این نرمافزار به صورت یک باینری مستقل با runtime داخلی .NET عرضه میشود. این ویژگی آن را با Docker و محیطهای CI/CD بدون سر سازگار میکند، جایی که نصب مجموعه کامل آفیس غیرممکن است.
برای نیازهای با کارایی بالا، ابزار چندین حالت اجرا را ارائه میدهد:
- حالت Resident: سند را از طریق Named Pipes در حافظه نگه میدارد (
officecli open) تا تأخیر در ویرایشهای چندمرحلهای کاهش یابد. کاربران میتوانند تخلیه حافظه روی دیسک را از طریق دستورofficecli saveیا متغیر محیطیOFFICECLI_RESIDENT_FLUSHکنترل کنند. گزینهها شاملeach(هر تغییر روی دیسک)،auto(تخلیه تطبیقی ۲-۱۰ ثانیهای)،fixedیاoffاست. - حالت Batch: چندین عملیات را در یک پاس از طریق stdin، فایل JSON ورودی یا
--commandsاعمال میکند. این حالت بهطور پیشفرض در صورت بروز خطا ادامه مییابد، مگر اینکه--stop-on-errorفعال شده باشد. - پیشنمایش زنده: دستور
watchیک سرور HTTP محلی روی پورت ۲۶۳۱۵ باز میکند که با هر تغییر در عناصر، بهطور آنی رفرش میشود. برای اکسل، این شامل ویرایش داخلی سلولها و جابهجایی نمودارهاست.
این تغییر، خودکارسازی آفیس را از اسکریپتهای شکننده پایتون (که اغلب برای یک اسلاید ساده به بیش از ۵۰ خط کد نیاز داشت) به یک دستور تکخطی تبدیل کرد. برای مثال، افزودن یک اسلاید با عنوان اکنون تنها نیاز به این دستور دارد: officecli add deck.pptx / --type slide --prop title="Q4 Report".
برای یک متخصص معمولی، این به معنای آن است که سد میان استدلال یک AI و یک ارائهی صیقلخورده برای اتاق هیئتمدیره از بین رفته است. ما از دورانی که AI تنها محتوا «پیشنهاد» میکرد، به دورانی رسیدهایم که AI دارایی نهایی و فرمتشده را «ارسال» (Ship) میکند.
کاربران میتوانند تست ابزار را با نصب باینری از طریق اسکریپتهای شل برای macOS، لینوکس یا ویندوز، یا با بررسی اپلیکیشن دسکتاپ AionUi برای تجربه یک رابط گرافیکی مبتنی بر زبان طبیعی آغاز کنند.
گام بعدی شما
- اگر از Agentهای کدنویسی مثل Cursor یا Claude Code استفاده میکنید، مهارتهای OfficeCLI را از طریق فایل SKILL.md نصب کنید.
- برای اتوماسیون گزارشهای تکراری، از متد
Template Mergeاستفاده کنید تا هزینه توکنها به شدت کاهش یابد. - اپلیکیشن AionUi را برای تست رابط طبیعی با این ابزار امتحان کنید.
اما داستان سختافزاری اجرای این مدلها در محیطهای ایزوله حتی شگفتانگیزتر است — به تحلیل ما دربارهی بهینهسازی استنتاج در لبه مراجعه کنید.
گفتگو