DeskLink Ops 技能：自动跑退款与加购

把微信小店的退款、加购、巡检包成一条命令，让 AI 只负责发起与核对。

开店的人都知道这类活有多碎：每天开后台，对着“运输中”的订单一张张点“仅退款”；或者想给商品加拉购数据，得在窗口里逐张点。DeskLink 把这些动作做成了命令行工具，而 DeskLink Ops 技能负责把命令用对、把结果核清、把简报写出来。它反复强调的一句话很关键：只在命令行调用，不要用鼠标去点界面——因为 UI 点击在客户机上反复失败过。

核心能力

1. 退款默认“演练模式”

技能铁律里写得很死：--mode 默认是 dry，漏写不会真退；只有你明确说“真退 / 提交 / 全自动”，才允许加 --mode submit。这个默认值很关键——退款是不可逆动作，误操作直接赔钱。典型流程是早上先跑一次 dry，拿到“可退 N 笔、合计 ¥X”的清单给你确认，确认后才切 submit。

2. 先 dry 再 submit 的两段式

它要求把两个阶段分开，而不是一条命令到底。原因很实际：dry 阶段能提前暴露“本轮到底有多少单、金额对不对”，如果某个店突然出现几百笔待退，你会在提交前就发现异常。技能里还规定同一家店同一轮只跑一个任务，不允许并发启动两个 DeskLink，避免状态互相干扰。

3. 结果只认 JSON 与日志，不认“没报错”

这一条是整套技能里最有价值的设计。DeskLink 是窗口模式打包，没有控制台，stdout 拿不到；程序会把结果写到 %APPDATA%\DeskLink\last_run.json，形如 {"submitted": 21, "dry": 0, "skipped": 0, "failed": 0, "errors": []}。技能规定：成功只看 submitted > 0 且日志里出现「退款 已提交仅退款」，绝不把“程序没报错”当成功。

4. 排障对照表，不靠反复重试

技能里给了一张错误码对照表：40097 表示接口查询条件为空，要报给开发者；access_token / 401 / invalid appid 是凭证问题，要重新填；api scope / no permission 是自研应用没开订单权限。并且定了一条硬规矩：同一个错误连续出现 2 次就停止并报告，不要第三次重试。这条能省掉大量无效等待。

5. 加购走本机窗口，前置条件不同

退款走官方接口，不需要开小店窗口；加购则要求本机微信已登录并开着对应小店，还支持 --clean 先清空购物车。两条链路的依赖不一样，技能把它们分开写清楚，避免把退款的前置条件套到加购上。

使用上手

1. 先确认程序存在与路径正确：dir 一下安装目录，再执行 DeskLink.exe --shops 看能否列出店铺 id。输出为空说明凭证没配，先停下。
2. 用技能自带的包装脚本跑，它会自动找程序、读结果文件、核对日志、打印简报：python scripts\desklink_run.py refund --mode dry --all-orders。
3. 看这三行：结果、日志核对、退出码。dry > 0 且 submitted = 0 属正常演练，把清单报给人确认。
4. 人确认后改 --mode submit，只退指定店时用 --api-shops 列店名，用逗号分隔。
5. 跑完发三行简报：提交笔数、失败笔数、失败原因摘要。失败不为 0 就对照排障表处理，别直接重跑。
6. 想定时就从每天 09:00 的 dry 开始，确认后再提交；已授权全自动的才把两步合并成一次 submit。

优点与不足

优点

• 默认演练模式，把不可逆操作的风险拉到最低。
• 成功判定有硬标准（JSON + 日志），不靠“看起来跑完了”。
• 自带排障对照与“两次即停”规则，避免无效重试。
• 包装脚本直接出三行简报，适合发群里同步。

不足

• 仅 Windows，强绑定 DeskLink 程序与安装路径。
• 需要先在微信小店后台配好自研应用与订单/售后权限。
• 加购链路依赖本机微信窗口状态，无人值守场景容易失败。
• 技能本身不做重试与告警，定时任务需要外层配合。

适合谁

• 自己开店、每天要处理大量“运输中仅退款”的小商家。
• 同时管多家店、想统一跑一轮退款的运营。
• 想把退款、加购做成定时任务并要可审计结果的团队。
• 已经装了 DeskLink、但总在界面上点到崩溃的使用者。

下载与访问

• 使用方式：WorkBuddy 对话中调用 desklink-ops
• 技能目录：~/.workbuddy/skills/desklink-ops
• 结果文件：%APPDATA%\DeskLink\last_run.json；日志：DeskLink.exe 同目录 automation.log

获取与授权

本文属于「技能」分类的 AI 资源专栏，更多评测见分类页。