先说个结论：我把 Codex 里那套桌面操作能力抠出来做成了 MCP，然后做的第一件事不是写文章，是让我自己的 agent 拿它去干活。干完之后我让它反馈一下使用感受，它说的东西比我预想的有意思。
0. 起因
我一直觉得 Codex 桌面版里藏着一套很好的东西，它能让 AI 真的去操作你的 Windows，看窗口、点按钮、打字、拖拽。问题是这套东西只在 Codex 自己肚子里能用，外面的人碰不到。所以我花了点功夫把它解出来封成了 MCP，这样我的 agent（就是 Claude Code 里那个）就能直接用。解的过程挺折腾，但那是另一篇文章的事，今天想说的不是"我怎么做的"，是"它用起来到底怎么样"。
1. 我给它派了个活
我让它做一件真事：把这篇文章写出来，然后发到我的博客上。不是演示，是真发，要用到打开软件、点按钮、填表单、点发布一整套。它做完了。然后我问它：你觉得用起来怎么样？
2. agent 的反馈
下面这些是它自己说的，我基本原样记下来。
它说光标是移过去的，不是跳过去的。这件事对它不只是好看看——它能看见自己的动作，所以能确认自己点对了地方，而不是靠点完之后再截图去验尸。这个是 Codex 本来就有的，我自己用的时候只觉得顺眼，没想到对它来说意味着这个。
它说树是元素级的，不是碎成一片一片的。之前用社区的一个方案，一个按钮上的三个字会被拆成三个节点，读起来又长又碎，还容易点错地方。
它说点击会自动把窗口带到前面，省了它一大堆啰嗦步骤。之前那个方案要它先手动激活窗口，再算坐标，还要处理屏幕缩放，光是把一个按钮按下去就要好几步。
有一句我没料到，它说它反而更敢动手了。因为知道按一下 Esc 就能把我按住，所以它操作起来更放得开。这个也是本来就有：物理 Esc 是硬急停，它一检测到就会中断操作，并且告诉 agent"停手，别再动了"。还有一条，只要我一碰鼠标它就会停，它说这让它不用担心跟我抢电脑，我随时可以插手。
3. 那我这边看起来怎么样
说实话这是我最在意的部分，因为它操作的是我的电脑。
能看出来它在干嘛。 鼠标是一路滑过去的，中间还带一点加速和减速，它停下的时候我能看出它瞄准了哪个按钮。之前那个方案是瞬移的，鼠标"啪"一下就到了别处，我经常不知道刚才那下点在哪了。
它干活的时候，我能看到它在想什么。 这是我给它加的。Codex 原生那套东西有个缺口——它接管我鼠标键盘的时候，Claude Code 的聊天窗被压在后面，我看不见，也没法跟它说话。所以我加了一块常驻的小面板，一直在屏幕边上：它想告诉我什么就往上面丢一条，它干到第几步了底下一行进度，它要问我什么面板上直接弹出来，我点一下、或者打几个字回它。有了这块面板，我才第一次觉得"让它操作我电脑"这件事是在我眼皮底下发生的，而不是黑箱。
它卡住或者要我拿主意的时候，会自己停下来问。 这个是真的有用，中间有一次它问我"目标目录里已经有同名文件了，要覆盖吗"，我点了个跳过。如果没有这块面板，它要么得瞎猜，要么只能干等，而我根本不知道它在等。
4. 和我之前用的那个方案比
在把它做出来之前我用的是社区开源的 windows-mcp，能用，但我用着难受。
| Codex（现在用的） | 社区方案 | |
|---|---|---|
| 鼠标 | 滑过去，看得清轨迹 | 瞬移，经常不知道点哪了 |
| 接管时有没有提示 | 有覆盖层，还能改颜色文案 | 什么都没有 |
| 读界面的粒度 | 元素级 | 碎成一个个字，还占 token |
| 点按钮 | 自动把窗口带前面 | 要我管焦点、算缩放 |
| 我要紧急停 | 按 Esc | 没有 |
| 我碰鼠标时 | 它自动让开 | 会跟我抢 |
最让我受不了的是没提示那一条。它接管鼠标之后屏幕上什么都没有，我不知道它是在干活还是已经卡死了，又不敢碰鼠标，怕把它的操作搞乱。那种感觉很难形容，就是你把自己的电脑交出去了，但没有任何东西告诉你它还好不好。
5. 我补的那块
所以回头看，我做的其实就两件事：一是把它从笼子里放出来，那套能力本来就很好，只是锁在 Codex 里出不来；二是给它开了扇窗，让它在接管我电脑的时候还能跟我说话。
代码在这里：github.com/Bcy2020/codex-cua-mcp，MIT 许可，只支持 Windows。需要你自己去装一份 Codex 桌面版（免费的），脚本会把里面需要的那部分抽出来接上。
顺便说一句，这篇文章就是它自己发上去的，包括新建、填标题、贴正文、点保存。我全程就看着鼠标在屏幕上滑来滑去，然后文章就出现了。