先说结论不建议去网上找那种“WPS AI 插件破解版”也不要用任何绕过会员、改包解锁的工具。真正安全可控的做法是花一晚上自己做一个合规的 WPS AI 插件把大模型 API 接进 WPS选中文档内容直接生成摘要、翻译、续写效果和 WPS 会员里的 AI 功能是同一类东西而且自由度更高。这篇文章会拆成两条路线来说明。第一条是快速方案不安装任何插件用 Python 脚本 剪贴板在 WPS 里选中内容、CtrlC、跑脚本、CtrlV相当于把大模型变成一个“随叫随到的 AI 助手”。第二条是正规方案用 WPS 官方加载项机制开发一个侧边栏插件配合本地 FastAPI 服务调用大模型接口做到真正的“直接安装加载项、在 WPS 侧边栏里使用 AI”。实操内容覆盖环境准备、快速脚本、加载项开发流程、本地 API 服务、批量文档总结、资源占用观察、常见报错排查。如果你只用 WPS 做日常办公又没有买 AI 会员这篇非常值得看完。1. 核心能力速览能力项说明项目类型WPS 办公增强AI 插件 / 自动化脚本核心功能文档摘要、改写润色、翻译、续写、会议纪要、表格公式生成、批量文档总结快速方案Python 剪贴板脚本无需安装 WPS 插件选中文字即可调用大模型进阶方案WPS 官方加载项 本地 FastAPI 服务侧边栏集成显存占用使用云端大模型 API 时不占显存使用本地 Ollama 才按模型大小占用显存推荐环境Windows 10/11WPS 2019 或更新版本Python 3.9Node.js LTS仅加载项开发需要启动方式命令行启动 Python 脚本 / 运行 FastAPI 服务 / WPS 加载项调试模式接口能力对接 OpenAI 兼容格式的大模型 API支持自定义模型名和密钥批量任务支持批量读取 docx 文件并输出 Markdown 摘要适合场景日常办公提效、内容创作、文档整理、团队内部知识库没有固定的一键包也不需要复杂的模型部署。核心依赖就是一个可用的大模型 API或者本机 Ollama。如果你不想把文档内容发给第三方 API就改用本地模型隐私敏感的场景建议全部本地处理。2. 适用场景与使用边界这个方案适合三类人普通办公人群需要写工作总结、会议纪要、周报但不想为 AI 功能单独开会员。开发者希望把大模型能力嵌入 WPS做一个自己可控的办公插件。团队管理员需要批量处理旧文档把 Word 文件统一生成摘要或结构化 Markdown。不适合的场景也要说清楚。如果你的需求是 WPS 会员里的 PDF 转 Word、图片 OCR、云盘容量、模板会员权益等非 AI 功能本文的方案覆盖不了那些是独立的会员能力和生成式 AI 不是一回事。更准确地说本文替代的是“AI 写作、AI 阅读、AI 表格公式”这一类大模型功能。使用边界是这篇文章最重要的一部分。我明确不建议做下面这些事不下载、不传播任何声称“破解 WPS 会员”“解锁 AI 会员”的第三方插件。不使用注册机、盗版序列号、修改版安装包。不把公司保密文档、个人隐私数据直接提交给未经确认的第三方大模型 API。如果你需要处理敏感文档更稳妥的做法是在本机部署 Ollama 等本地推理服务然后让 WPS 调用本地地址数据不出机器。批量处理他人文档时也要确认文档来源和授权范围不要在未授权的情况下提取、生成、复制他人作品内容。下面进入实操部分。先做快速方案因为它在 5 分钟内就能见效适合先验证效果再决定是否投入时间开发完整插件。3. 快速方案Python 剪贴板 AI 助手这个方案的思路非常直接WPS 里选中一段文字先复制到剪贴板然后运行一个 Python 脚本读取剪贴板内容调用大模型 API 生成结果把结果写回剪贴板再回到 WPS 按 CtrlV 粘贴。整个过程不依赖 WPS 的插件接口兼容性最好。3.1 环境准备安装 Python 3.9 或更高版本然后安装两个依赖包pip install pyperclip requestspyperclip读写系统剪贴板。requests调用大模型 HTTP API。准备一个大模型服务的 API Key。现在很多模型服务商都提供 OpenAI 兼容接口只需要知道 Base URL、模型名和密钥。如果你希望完全本地运行可以使用 Ollama默认地址是http://127.0.0.1:11434模型名按实际拉取的模型填写例如qwen2.5:7b。3.2 脚本实现新建一个文件wps_ai.py内容如下import sys import pyperclip import requests API_URL https://your-api.example.com/v1/chat/completions API_KEY your-api-key MODEL your-model-name def call_llm(prompt: str) - str: response requests.post( API_URL, headers{Authorization: fBearer {API_KEY}}, json{ model: MODEL, messages: [{role: user, content: prompt}], temperature: 0.7, stream: False, }, timeout120, ) response.raise_for_status() return response.json()[choices][0][message][content] def main(): clipboard_text pyperclip.paste() if not clipboard_text.strip(): print(剪贴板中没有文本请先在 WPS 中复制一段内容。) sys.exit(1) mode sys.argv[1] if len(sys.argv) 1 else summarize if mode summarize: instruction f请对下面的内容做 300 字以内的摘要保留关键结论\n\n{clipboard_text} elif mode translate: instruction f请把下面的内容翻译成中文语言自然保留术语\n\n{clipboard_text} elif mode polish: instruction f请对下面的内容做语言润色使其更书面、更通顺不要改变原意\n\n{clipboard_text} else: instruction clipboard_text result call_llm(instruction) pyperclip.copy(result) print(生成完成。回到 WPS 按 CtrlV 粘贴即可。) if __name__ __main__: main()注意API_URL、API_KEY、MODEL三个变量需要替换成你自己的内容。如果不确定模型服务商的具体接口格式可以先看服务商文档里的“Chat Completions 调用示例”。3.3 使用步骤在 WPS 文字中选中一段需要处理的内容按 CtrlC。打开命令行进入脚本目录运行python wps_ai.py summarize等待几秒钟命令行显示“生成完成”。回到 WPS按 CtrlV 粘贴结果。如果要做翻译就运行python wps_ai.py translate如果要打磨语言风格就运行python wps_ai.py polish3.4 判断是否成功粘贴出来的内容是否和原意一致。摘要是否包含核心结论。翻译是否流利术语是否保持原样。如果命令行报错401或403说明 API Key 或接口地址配置错误。如果报超时说明模型服务端响应慢可以增加timeout参数或把输入文本缩短一些。这个方案最大的优点是没有平台限制Windows 上只要 WPS 能跑就能用。缺点是操作上多了一步命令行适合偶尔用一下如果你希望做成一个能长期使用的工具建议直接做加载项。4. 进阶方案WPS 官方加载项 本地 API 服务WPS 本身提供加载项机制比如 JS 加载项可以在 WPS 侧边栏显示一个网页界面。我们利用这一机制开发一个“AI 助手面板”在面板里输入指令点击按钮请求本地 FastAPI 服务本地服务再转发给大模型 API。这个结构并不复杂WPS 侧边栏加载项负责显示界面、收集用户输入、展示返回结果。本地 FastAPI 服务负责接收请求、调用大模型、处理错误、返回结果。大模型 API云端或本地 Ollama。4.1 WPS 加载项开发环境WPS 官方提供了wpsjs命令行工具用来创建、调试和打包加载项。安装前确保本机有 Node.js LTS 版本然后安装工具npm install -g wpsjs初始化项目wpsjs create wps-ai-assistant cd wps-ai-assistant这里会生成一个标准的 WPS 加载项工程主要文件包括wps-ai-assistant/ ├── package.json ├── src/ │ ├── index.html │ ├── index.js │ └── style.css └── wpsjs.config.js如果你的wpsjs版本生成的结构不同就以实际生成的文件为准。接下来修改两个关键文件。4.2 侧边栏页面打开src/index.html改成下面这样!DOCTYPE html html head meta charsetutf-8 style body { font-family: system-ui, sans-serif; padding: 12px; } textarea { width: 100%; height: 90px; box-sizing: border-box; } button { width: 100%; margin-top: 8px; padding: 6px; } #result { margin-top: 12px; padding: 8px; border: 1px solid #ddd; border-radius: 4px; white-space: pre-wrap; min-height: 80px; } /style /head body pWPS AI 助手/p textarea idprompt placeholder输入指令例如把下面内容写成会议纪要/textarea button onclickrunAI()生成/button div idresult结果区域/div /body /html这里只做了一个极简界面一个输入框、一个按钮、一个结果区。实际使用时你可以增加“选中文本”“插入到文档”“清空结果”等按钮这取决于你想把加载项做到多完整。4.3 前端调用逻辑打开src/index.js写入async function runAI() { const prompt document.getElementById(prompt).value; const resultEl document.getElementById(result); if (!prompt.trim()) { resultEl.innerText 请输入指令; return; } resultEl.innerText 正在生成...; try { const response await fetch(http://127.0.0.1:8000/chat, { method: POST, headers: { Content-Type: application/json }, body: JSON.stringify({ prompt: prompt }), }); const data await response.json(); if (data.code 0) { resultEl.innerText data.text; } else { resultEl.innerText 返回错误 data.message; } } catch (err) { resultEl.innerText 调用失败 err.message; } }这里请求的是本地http://127.0.0.1:8000。如果你本机已经跑了别的服务占用 8000 端口记得把 FastAPI 和这个前端请求改成同一个端口比如 8010。4.4 本地 FastAPI 服务新建一个main.py内容如下from fastapi import FastAPI from fastapi.middleware.cors import CORSMiddleware from pydantic import BaseModel import requests app FastAPI() app.add_middleware( CORSMiddleware, allow_origins[*], allow_methods[*], allow_headers[*], ) LLM_BASE_URL https://your-api.example.com/v1 LLM_API_KEY your-api-key LLM_MODEL your-model-name class ChatRequest(BaseModel): prompt: str app.post(/chat) def chat(req: ChatRequest): prompt req.prompt if not prompt.strip(): return {code: -1, message: prompt is empty, text: } try: payload { model: LLM_MODEL, messages: [ {role: system, content: 你是 WPS 文档助手回答简洁、可直接粘贴使用。}, {role: user, content: prompt}, ], temperature: 0.7, stream: False, } response requests.post( f{LLM_BASE_URL}/chat/completions, headers{Authorization: fBearer {LLM_API_KEY}}, jsonpayload, timeout120, ) response.raise_for_status() result response.json()[choices][0][message][content] return {code: 0, message: ok, text: result} except Exception as exc: return {code: -2, message: str(exc), text: }启动本地服务pip install fastapi uvicorn requests uvicorn main:app --host 127.0.0.1 --port 8000看到Uvicorn running on http://127.0.0.1:8000说明服务启动成功。此时可以先用 curl 验证接口能不能通curl -X POST http://127.0.0.1:8000/chat \ -H Content-Type: application/json \ -d {prompt:请帮我写一份关于本周工作总结的会议纪要}如果返回 JSON 中包含code: 0和text字段说明本地服务正常前端加载项就可以直接调用了。4.5 调试加载项在项目目录执行wpsjs debug按照 wpsjs 的提示在 WPS 中打开“开发工具”相关入口选择“加载项调试”并加载本地项目。具体路径以你的 WPS 版本为准通常是在 WPS 右侧会出现一个自定义面板打开后就能看到刚才写的界面。调试过程中最常遇到三个问题WPS 没有“开发工具”选项卡需要去 WPS 设置里开启开发工具模式。加载项面板空白检查wpsjs debug是否还在运行或者刷新加载项。前端提示“调用失败”先确认 FastAPI 服务是否在运行再用 curl 测一次。从输入材料看无法确定每个人 WPS 版本的具体菜单名称所以遇到找不到入口的情况去 WPS 开放平台查对应版本的加载项调试文档即可。4.6 打包发布调试通过后可以打包wpsjs publish这一步会生成可发布的加载项文件。如果你只在自己电脑上用不发布到 WPS 开放平台本地wpsjs debug模式已经够用。如果想分发给同事需要按 WPS 开放平台的要求完成签名和发布流程。5. 接口 API 与批量任务加载项方案解决的是“在 WPS 里交互式使用 AI”的问题。但实际工作中还有一个高频需求批量处理大量文档。比如你手头有 50 个 docx 周报想一次性生成摘要逐个人工复制粘贴显然不现实这时候需要写一个批量脚本直接调用本地 API 服务。5.1 批量 docx 文档总结脚本安装依赖pip install python-docx requests写一个batch_summarize.pyfrom pathlib import Path import requests from docx import Document API_URL http://127.0.0.1:8000/chat def summarize_docx(path: Path, output_dir: Path) - Path: doc Document(path) text \n.join(p.text for p in doc.paragraphs if p.text.strip()) if not text.strip(): return None response requests.post( API_URL, json{prompt: f请总结下面的文档内容输出 Markdown 格式\n\n{text[:5000]}}, timeout300, ) response.raise_for_status() result response.json()[text] output_file output_dir / f{path.stem}_summary.md output_file.write_text(f# {path.stem}\n\n{result}, encodingutf-8) return output_file if __name__ __main__: input_dir Path(./docs) output_dir Path(./summaries) output_dir.mkdir(exist_okTrue) for docx in sorted(input_dir.glob(*.docx)): try: out summarize_docx(docx, output_dir) if out: print(f完成{docx.name} - {out}) else: print(f跳过空文档{docx.name}) except Exception as exc: print(f失败{docx.name}原因{exc})使用前在脚本所在目录建一个docs文件夹把要处理的 docx 文件放进去运行python batch_summarize.py结果会输出到summaries目录每个文档生成一个同名 Markdown 文件。5.2 批量任务的工程化建议批量任务最忌“跑到一半断了只能从头开始”。上面的脚本是最简版本实际生产使用建议加三样东西日志、断点续跑、失败重试。日志方面每个文件处理前记录开始时间处理后记录耗时和输出路径import time start time.time() out summarize_docx(docx, output_dir) print(f{docx.name} 完成耗时 {time.time() - start:.2f}s)断点续跑方面可以先把已完成的文件名写入一个done.txt下次运行时跳过这些文件。失败重试方面给请求加一个简单的重试循环for attempt in range(3): try: response requests.post(API_URL, ..., timeout300) response.raise_for_status() break except Exception as exc: print(f第 {attempt 1} 次尝试失败{exc}) time.sleep(5)5.3 API 调用规范本地 FastAPI 服务本身不算复杂但要保持稳定需要注意几件事不要把 API Key 硬编码在前端页面里。正确做法是 Key 只存在于后端前端只和本地服务通信。给/chat接口加一个简单的长度限制比如prompt超过 8000 字符就截断避免大文本请求导致超时。如果多人同时使用需要在本地服务里加一个请求队列或并发控制避免某个模型服务端限流导致全部失败。如果你用的是 OpenAI 兼容接口很多模型的调用限制体现在 RPM每分钟请求数和 TPM每分钟 Token 数上。批量任务建议每处理一个文件后加 2 到 5 秒延迟降低被限流的概率。6. 资源占用与性能观察很多人关心这个方案到底吃多少资源这里分三种情况说明。6.1 云端大模型 API 模式这种模式下占用资源最重的是本地 FastAPI 进程和 Python 脚本进程。通常几十到几百 MB 内存CPU 占用很低完全不占显存。因为实际推理发生在别人的服务器上本机只是做请求转发和文本处理。6.2 本地 Ollama 模式如果你自建本地模型资源占用才需要认真观察。显存占用取决于模型大小比如 7B 级别模型通常需要 8GB 以上显存13B 级别需要更高。如果没有独立显卡用 CPU 推理也不是不行但速度明显变慢单次生成长文本可能要等几分钟。更稳妥的判断方式是先用ollama run 模型名单独测试一次生成观察任务管理器里 CPU、内存、显存占用再决定是否接入 WPS 的批量流程。6.3 性能瓶颈观察实际使用中影响响应速度的主要是四个因素输入文本长度文本越长模型处理时间越长也更容易触发超时。生成长度要求长文输出时耗时基本线性增长。并发数量同时发起多个请求时如果你的大模型 API 有并发限制后面的请求会排队。网络延迟云端 API 模式受网络波动影响建议在代码里设置合理超时。观察方法很简单。Windows 上打开任务管理器看 Python 进程的 CPU 和内存如果用了本地模型再看“GPU”一栏的显存占用。启动服务后命令行日志会打印每次请求的耗时连续跑几轮就能大致摸清本机性能上限。7. 常见问题与排查方法问题现象可能原因排查方式解决方案剪贴板脚本提示没有文本剪贴板里不是文本内容或 pyperclip 读取失败先在任何地方 CtrlC 复制一段文字再运行脚本重新复制文本确认 pyperclip 安装成功调用大模型接口报 401/403API Key 错误或没有访问目标模型的权限检查 API_KEY 变量用 curl 单独测试一次模型接口重新生成或正确配置 API Key确认模型名正确本地服务启动失败端口被占用或依赖包未安装完整查看 Uvicorn 报错信息检查 8000 端口占用关闭占用端口的进程或改用--port 8010WPS 加载项面板空白wpsjs debug进程被关闭或 WPS 未开启开发工具重新执行wpsjs debug在 WPS 里刷新加载项按 WPS 开放平台文档检查调试配置前端 fetch 调用失败后端服务未启动或 CORS 不匹配先用 curl 访问http://127.0.0.1:8000/chat确保 FastAPI 已启动检查 CORS 中间件配置API 请求超时输入文本过长或模型服务端响应慢检查 FastAPI 日志中的耗时截断输入文本把 timeout 调大到 300 秒批量任务中途失败单个文件内容异常或模型限流查看失败文件对应的异常信息加异常捕获和重试两个文件之间加延迟输出内容不稳定模型温度参数过高或提示词不够明确检查 temperature 设置调整提示词把 temperature 降到 0.3 到 0.5 之间细化提示词隐私数据泄漏风险把敏感文档发给了第三方 API确认 API Base URL 是否为可信服务高隐私场景改用本机 Ollama 等本地模型排查时记住一个原则从下往上查。先确认大模型接口本身能通再确认本地 FastAPI 服务能通最后看 WPS 加载项或脚本有没有调用对地址。很多问题其实出在最外层调用参数上。8. 最佳实践与使用建议第一密钥只放后端。前端加载项和脚本都只跟本地服务通信不要把大模型 API Key 写在index.js或index.html里。本地服务的 API Key 只放在main.py的环境变量或配置文件中避免项目被分享时泄露。第二先小参数测试再批量执行。第一次接入时用一句话测试确认接口通了再测试一段几百字的短文最后才跑批量任务。批量任务建议先放 3 个文件试运行确认输出目录、文件命名、失败重试逻辑都没问题再处理全部文档。第三保持目录规范。建议统一为以下结构wps-ai/ ├── scripts/ │ ├── wps_ai.py │ └── batch_summarize.py ├── server/ │ └── main.py ├── docs/ # 输入文档 ├── summaries/ # 输出结果 └── logs/ # 运行日志文档输入、结果输出、脚本代码、服务代码分开放避免混在一起后误删数据。第四接口服务要限制访问范围。本地 FastAPI 服务启动时绑定127.0.0.1不要使用0.0.0.0否则同一局域网内其他设备也能调用你的接口可能造成密钥滥用或服务器资源被消耗。第五批量任务加日志和失败重试。至少要把每个文件的处理结果输出到命令行并把失败原因写到一个error.log文件里。生产环境建议加断点续跑避免中断后从头开始。第六涉及人脸、声音、版权素材时必须确认授权。本文方案虽然主要是文本处理但如果你后续扩展成处理图片、录音或视频要确保素材来源合法不侵犯肖像权、声音权、著作权。第七发布或商用前要做效果复核。AI 生成内容不代表最终结果尤其是公司报告、合同摘要、对外文档必须人工检查关键数据和结论防止模型幻觉带来错误。9. 总结与下一步这次我们做了一件很实际的事绕过那些来路不明的插件用正规技术手段把大模型能力接进 WPS。快速方案适合 5 分钟上手剪贴板脚本几乎零成本进阶方案适合长期使用侧边栏加载项一旦调通体验和商业 AI 插件已经很接近。最值得先验证的功能是摘要和翻译。这两种任务对模型幻觉敏感度低即使偶尔出错也容易人工发现。最容易踩的坑有三个一是 API Key 配置错误导致 401二是本地服务端口没起对前端一直调不到三是批量任务没有加重试跑到一半中断就得重来。把这三点避开整个方案基本就稳定了。接下来你可以按自己的需求扩展在加载项里加“选中当前文档段落”的功能让 WPS 自动获取光标附近的文本把批量脚本改成处理 PDF 或 Excel或者接入本地 Ollama走完全离线路线。每一步都是沿着本文的框架继续延伸。这篇文章的核心思路是WPS 的 AI 能力不是只能靠付费会员获得符合规范的 API 接入、自研加载项、批量任务脚本一样能覆盖大部分日常需求。自己动手把服务跑通一次你会比单纯下载一个插件更清楚里面每一步在做什么。
