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、Ctrl+C、跑脚本、Ctrl+V，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

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 Ctrl+V 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 requests

• pyperclip：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": f"Bearer {API_KEY}"}, json={ "model": MODEL, "messages": [{"role": "user", "content": prompt}], "temperature": 0.7, "stream": False, }, timeout=120, ) 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 Ctrl+V 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

1. 在 WPS 文字中选中一段需要处理的内容，按 Ctrl+C。
2. 打开命令行，进入脚本目录，运行：

python wps_ai.py summarize

3. 等待几秒钟，命令行显示“生成完成”。
4. 回到 WPS，按 Ctrl+V 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 polish

3.4 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 charset="utf-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> <p>WPS AI 助手</p> <textarea id="prompt" placeholder="输入指令，例如：把下面内容写成会议纪要"></textarea> <button onclick="runAI()">生成</button> <div id="result">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": f"Bearer {LLM_API_KEY}"}, json=payload, timeout=120, ) 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.py：

from 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]}"}, timeout=300, ) 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}", encoding="utf-8") return output_file if __name__ == "__main__": input_dir = Path("./docs") output_dir = Path("./summaries") output_dir.mkdir(exist_ok=True) 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, ..., timeout=300) 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

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。