數字工作與生活

白話文教學：AI 怎麼幫你操控軟體？API、CLI、MCP、瀏覽器控制的選擇邏輯

侯智薰（雷蒙）
發佈： 2026-03-18
更新：2026-03-18

一篇搞懂 AI 操控軟體的五種方式：API（應用程式介面）、CLI（命令列介面）、MCP（模型上下文協議）、GUI（圖形介面）和 Browser Use（瀏覽器自動化）。選對路線，速度差上百度，而且更穩定、更容易設計自動化。用這一篇，快速讓你知道如何判斷什麼時候該用哪一種，AI Agent 入門必讀的基礎知識。

侯智薰（雷蒙）
發佈： 2026-03-18
更新：2026-03-18

此系列文為：AI Agent 教學；一次看完整的教學系列文，歡迎加入 AI 共學島訂閱服務。

怎麼讓 AI 更有效幫你控制、代操工具？

到底該怎麼讓 AI 能直接在 WordPress / Ghost 上發文、編輯標籤、優化 SEO，或者直接幫你爬 Notion Database 的資料？API 跟 MCP 差在哪裡？哪個好用？

你可能有遇過：「AI 不是很厲害嗎？怎麼連發一篇文章都搞不定？」

問題出在：你沒給它正確的工具權限，讓它走了一條最笨的路。

很多人（包括 AI 本身）在選擇「怎麼操控軟體」這事上，常常會選錯路線。

這一篇，快速讓你補齊 AI Agent 的基本知識，讓你知道如何讓 AI 擁有正確的工具能力。

五種操控軟體的方式，一張圖看懂

前陣子好友 Yuanlin Lin（Zeabur 創辦人）在 Threads 上寫了一則很棒的科普文¹，把 API、GUI、CLI、MCP、Browser Use 這些技術名詞解釋得很清楚。

我打算用我的理解方式重新整理，再加上我自己玩了三年 AI、幾個月的 AI Agent 的經驗，希望給小白、非工程師的一個快速整理。

先給你一張對照表：

方法	白話說明	速度	穩定度	誰在用
API	程式直接呼叫程式	極快	極高	工程師、AI Agent
CLI	在終端機打指令	快	高	工程師、進階用戶、AI Agent
MCP	幫 AI 包好的「工具包」	快	高	AI 工具（Claude Code 等）
GUI	你平常用的 App 畫面	慢	高	普通人類
Browser Use	AI 模擬人類點按鈕	最慢	最低	AI Agent（最後手段）

API：程式和程式之間的暗號

API（Application Programming Interface，應用程式介面）就是「讓程式可以呼叫另一個程式的接口」。

想像你要寄一封 email：打開 Gmail、點「撰寫」、填收件人、打內容、按傳送。這是人類的方式，也就是 GUI（Graphical User Interface，圖形使用者介面），我們看著畫面點來點去，是最直覺的操作。

但你每按一個按鈕，Gmail 背後其實都在呼叫 Google 的 API。那個漂亮的介面，只是把「呼叫 API」這件事包裝成你看得懂的按鈕。

如果你能讓 AI Agent 直接透過 API 控制，你其實就不用自己繞一圈去按按鈕？

這就是 AI 時代最核心的觀念轉換，讓軟體的操作回到本質、最簡單直接的作法。

CLI：API 的人性化版本

CLI（Command Line Interface，命令列介面）就是在終端機裡打指令。

它介於 API 和 GUI 之間 — 沒有漂亮畫面，但用人類看得懂的語言文字，例如：

gmail send --to boss@company.com --subject "月報" --body "附件如附"

一行指令搞定。不用打開 Gmail、不用等畫面載入、不用點撰寫再填四個欄位。

CLI 在 AI 時代特別重要的三個理由：

比 GUI 穩定：App 會改版、按鈕會搬家，但指令格式幾乎不會變
比 Browser Use 快：不用打開瀏覽器、等頁面載入
比 API 更適合 AI 使用：指令是簡單英文單字，AI 不容易寫錯

MCP：幫 AI 預先包好的工具包

MCP（Model Context Protocol，模型上下文協議）是 2024 年底 Anthropic 提出的開放標準。

※ 未來我也會寫一篇《MCP 入門與推薦》文章，推薦一些我有安裝的 MCP。

讓我先簡單說：MCP 就是有人幫你把 API 和 CLI 包裝成 AI 可以直接拿來用的工具。

沒有 MCP 的時候，AI 要先去查文件、搞懂 API 格式、寫程式呼叫；有了 MCP，AI 直接從工具清單裡挑一個來用，幾秒搞定。

但 MCP 也有它的限制，不是什麼都用 MCP：

要等別人開發 MCP Server 你才能用
不是所有 AI 工具都完整支援
裝太多 MCP 會佔用 AI 的記憶空間（Context Window，上下文窗口）

舉個實際案例來說：Notion 官方推出的 MCP² 就比 Notion API（Application Programming Interface）功能少蠻多的；WordPress 也是。

所以這兩個工具，我都還是用 API，功能全面，反正你也是叫 AI Agent 幫你讀官方的 API 文檔，也不是你自己讀，重點是功能權限能不能全開。

所以我一律都建議，直接讓 AI 幫你查：「你要的工具，在 MCP 跟 API 上，功能跟使用上的差異？」

它會直接評估後告訴你，哪個是更好的選擇，該怎麼做。

wordpress mcp vs api differences 2026 03 18 1 — 當你要安裝 MCP 前，可以直接問 AI，讓它給你比較表格最準

Browser Use：最後才用的大絕招

Browser Use（瀏覽器自動化操控）就是讓 AI 打開瀏覽器，像真人一樣操作網頁，點按鈕、填表單、截圖。

技術上常用的工具包括 Playwright 和 Puppeteer 這類瀏覽器自動化框架。

聽起來很厲害對吧？但老實說，這是所有方式裡面最慢、最不穩定的。

為什麼？因為網頁會改版。今天那個按鈕在左邊，明天改版可能搬到右邊，AI 就找不到了。

打個比方來說，你讓 AI 控制瀏覽器來發一篇電子報、填寫表單，大概要花上 5~10 分鐘，但透過 API 可能是幾秒鐘的任務。

我的實戰經驗：選錯路線的代價

跑了半年 AI 助理之後，我踩過的坑可以整理成一條很清楚的優先順序：

能用 API / CLI → 就不要用 MCP
能用 MCP → 就不要用 Browser Use
Browser Use → 是真的沒有其他路的最後手段

案例一：爬文 or 抓個人 Notion 內容

錯誤路線：用 Playwright（瀏覽器自動化工具）打開 Notion 網頁 → 載入慢、格式亂、常常失敗
正確路線：用 Notion API→ 3 秒拿到完美結構化資料；別人的網頁用 Firecrawl³

案例二：抓別人的 Facebook 貼文

沒有 API 可用（Facebook 不開放抓別人的貼文）
正確路線：這時候才用 Playwright（瀏覽器自動化）打開頁面去抓

看到了嗎？Browser Use（瀏覽器自動化）不是不好，而是它應該是你「沒有其他路」的時候才走的路。

那 Agent-Browser 呢？用 AI 操控桌面 App

最近還有一個新工具叫 agent-browser，它可以讓 AI 直接操控 Electron 架構的桌面 App：Slack、Discord、VS Code、甚至 Obsidian⁴。

※ 背後原理是：幾乎所有 Electron 架構的應用程式都會暴露 Chrome DevTools Protocol（CDP，Chrome 開發者工具協議）埠口（常見如 --remote-debugging-port=9222）。只要開啟這個偵錯埠口，我們熟悉的瀏覽器自動化工具（例如 Playwright）就能像控制 Headless Chrome 一樣去操控桌面軟體了。

agent-browser 操控 Slack 桌面版的示範

聽起來很酷，但我的判斷是：對大部分人來說，目前不需要。

原因和 Browser Use 一樣 — 如果這些軟體已經有 API 或 CLI，直接用就好了。我用 Discord Bot API 發訊息，比讓 AI 打開 Discord App 去點按鈕快一百倍。

agent-browser 真正有價值的場景：某個軟體完全沒有 API，也沒有 CLI，你又非得自動化不可。這種情況在企業內部的老系統比較常見，一般人很少遇到。

延伸閱讀：想知道讓 AI 看懂網頁的具體工具比較，可以看這篇讓 AI 助理看懂網頁：三大抓取工具完整比較。

一個簡單的決策流程

下次你想讓 AI 幫你自動化某件事，可以照這個順序想：

1. 這個服務有 API（應用程式介面）嗎？
   → 有：直接用 API（最快最穩）

2. 有人做好 MCP（模型上下文協議）了嗎？
   → 有：裝 MCP，讓 AI 直接用（方便）

3. 有 CLI（命令列工具）嗎？
   → 有：讓 AI 下指令（快又穩）

4. 以上都沒有？
   → Browser Use / agent-browser（最後手段）

大部分主流服務（Notion、Google、WordPress、GitHub、Slack）都有 API，所以你幾乎不需要走到第 4 步。

想從零開始學 AI 自動化？推薦閱讀：100 小時掌握自動化工作術；或看看 21 天我用 Claude Code 打造了一整套 AI 分身助理的實戰紀錄。

給非工程師的重點整理

如果你不是工程師，記住這幾件事就夠了：

AI 操控軟體的最佳方式是 API（應用程式介面）和 CLI（命令列介面），不用模擬人類去點按鈕
MCP（Model Context Protocol，模型上下文協議）是幫你把 API 包裝好的工具包，讓 AI 可以直接用，不用自己寫程式
Browser Use（瀏覽器自動化）是最後手段，不是預設方案，速度慢、容易壞、而且貴（消耗大量 token）
選對路線的差距是秒和分鐘的差距，長期累積下來影響巨大

讓 AI 用它擅長的方式工作（API、CLI），而不是逼它模仿人類的方式工作（點按鈕）。這是 AI 時代最重要的自動化觀念。

還有一點，現在我選擇工具時，如果沒有開放 API 的工具，基本都是不考慮的。

白話文教學：AI 怎麼幫你操控軟體？API、CLI、MCP、瀏覽器控制的選擇邏輯

📌目錄

怎麼讓 AI 更有效幫你控制、代操工具？