AI agent 通过 MCP 操控图形编辑器：Codex + PhotoCraft 实战

AI 生成图像已经不算新鲜事，但让 AI 像设计师一样直接操控带图层的图形编辑器，才是真正改变工作流的一步。一位捷克创作者在 YouTube 上演示了 Codex agent 通过 MCP（Model Context Protocol）连接图形工具 PhotoCraft，实现了对本地设计文件的图层级操作。这套方案的核心价值不在于“生成”，而在于“编辑”——agent 不再重绘整张图，而是像人一样精准调整单个图层。

从“重新生成”到“图层编辑”的范式转变

传统 AI 生图流程的痛点很明显：每次修改都需要重新生成整张图片。创作者在视频中直言，用 GPT 生成的图“就没法再动了”——想调整个文字位置或字号，只能重新提示、重新出图，结果往往带来画面瑕疵和风格漂移。

Codex + PhotoCraft 的组合改变了这一点。Agent 直接打开本地磁盘上的设计文件，识别其中的图层结构，然后按指令只修改目标图层。视频里演示了一个典型场景：agent 在横幅上生成了文字，创作者发现位置偏高，要求“下移 6 个点”，agent 立即执行并回复“hotovo”（完成），文字精准落在参考线上。随后又要求将所有字母转为大写，同样只作用于文字图层，画面其余部分纹丝不动。

这种“单图层精确操作”的能力，意味着 AI 不再是黑盒生成器，而是一个能理解设计文件结构的操作者。

MCP（Model Context Protocol） 是 Anthropic 于 2024 年底提出并开源的标准化协议，用于让 AI 模型以统一方式连接外部工具与数据源。它采用客户端-服务器架构：AI 应用作为客户端，通过 JSON-RPC 与实现了 MCP 接口的服务器通信，服务器则把具体软件的能力（如读写文件、调用 API、操作图层）暴露为模型可调用的“工具”。对本文场景而言，PhotoCraft 只需实现一个 MCP 服务器，把“创建文字图层”“移动图层”“导出文件”等操作注册为工具，agent 便能在推理过程中按需调用，而无需为每个软件单独编写定制集成代码。这种解耦设计是 agent 能深入专业软件操作层的关键前提。

截图转分层设计稿：MCP 协议的实际能力

视频中第二个演示更能说明 MCP 的潜力。创作者随手截取了某个网页的截图，把图片交给 agent，要求“把这个做成带图层的设计文件”。虽然处理花了一些时间，但最终产出的是一个完整的、可按图层编辑的项目文件——每个元素都可以独立移动、调整，跟在编辑器里手动搭建的效果相当。

据这位创作者介绍，这背后是 MCP 协议让 agent 能够调用 PhotoCraft 的底层操作接口。Agent 不是“看懂”了截图然后画一张新图，而是将识别出的元素组织成结构化的图层对象写入文件。从视频画面看，生成的图层结构清晰，可以直接继续用 agent 或手动方式编辑。

本地文件 + Skills：隐私与品牌一致性的双重保障

这套方案另一个被强调的优势是全程本地化。Agent 读写的是磁盘上的项目文件夹，文件不会上传到任何云端服务。创作者特别提到涉及客户资料时的顾虑——“有些信息我可能不想让任何人看到”——本地处理在隐私敏感的商业场景中更有说服力。

Skills 机制则解决了品牌一致性问题。创作者可以为 agent 配置特定的风格技能，让它持续遵循品牌规范，而不是每次生成都随机漂移。视频中提到，agent 借助 skills 能准确理解任务意图，完成“生成图片→产出变体→导出”的完整流程，整个过程在本地磁盘上闭环。

Skills 在此语境下指为 agent 预置的可复用能力包，通常由说明文档、示例和可选脚本组成，描述某类任务的执行规范与偏好。与一次性提示词不同，skills 会在相关任务中被 agent 自动加载，从而稳定地约束输出风格与流程。在本文方案中，品牌规范（配色、字体、版式规则）可以被写进一个 skill，agent 每次处理设计任务时都遵循同一套约束，避免逐次生成带来的风格漂移。skills 与 MCP 形成互补：MCP 提供“能做什么”的工具接口，skills 规定“该怎么做”的方法论，两者结合才能让 agent 在本地完成从生成到导出的可控闭环。

创意生态的串联：不止于图形

视频后半段展示的愿景更大：这套本地创意生态可以串联 Word 文档、Excel 表格、视频剪辑等工具。创作者的设想是，准备一份发布计划表，让 agent 在表格、图形、视频工具之间传递数据，完成从数据分析到演示文稿、从素材整理到视频剪辑的流水线，而所有文件始终留在本地。

对企业的价值在于时间成本。重复性的排版调整、素材格式转换、跨工具的数据搬运，都可以交给 agent 在本地完成。不过需要指出，视频以演示为主，并未给出具体的性能数据或规模化测试结果，实际生产效率的提升幅度仍需更多实践验证。

图层（Layer） 是 Photoshop、Figma 等图形编辑器的基本组织单位，每个图层独立保存一类内容（文字、形状、图片、调整效果等），并带有位置、尺寸、透明度、混合模式、字体字号等属性。设计文件本质上是这些图层对象及其层级关系的结构化集合，而非一张扁平位图。正因如此，agent 只要能解析并写入图层对象，就能实现“只改目标图层、其余不动”的精确编辑。相比之下，传统文生图模型输出的是像素结果，缺乏可寻址的内部结构，任何修改都只能整图重绘。图层语义的理解难度也正在于此：真实项目中的图层命名混乱、分组嵌套复杂，是 agent 操作设计文件时的主要挑战。

对 AI 设计工具方向的启示

这个案例值得关注的地方，是它指向了 AI 工具的一个务实方向：与其追求端到端的“一键出图”，不如让 agent 深入现有专业软件的操作层，成为设计师的协作者。MCP 这类协议正在让这种深度集成变得可行——agent 不需要替代 Photoshop 或 Figma，而是学会操作它们。

当然，这条路也有门槛：agent 需要准确理解图层语义、正确处理复杂文件结构，出错时还要能回退。视频展示的是顺畅的理想情况，真实项目中图层命名混乱、嵌套复杂的设计文件会带来多大挑战，还有待观察。但至少从演示来看，“AI 操作图形编辑器”已经从概念走向了可用的工具链。