摘抄自阿里技术、Milvus博客+个人理解

当软件操作者从人扩展到 Agent，CLI 不再只是给工程师用的老工具，可能成为 Agent 调用外部世界的高效入口。而MCP（HTTP）的标准化能力仍在特定场景发挥作用。

CLI、MCP 和 SKILL 关系

三者属于Agent能力的不同层级，共同构成了一个从底到顶的分层结：

• CLI：指令层—最底层的原子操作。Agent 直接在终端执行命令，一个字符串就是一个动作。灵活度最高，但每次都要从零组装。
• MCP：工具层—把常用操作封装成结构化的工具，预先注册给 Agent。输入输出有 schema，调用方式标准化。
• SKILL：技能层—最上层的编排逻辑。一个 SKILL 可以组合多个 CLI 命令和 MCP 工具，封装成一个完整的多步骤流程。

打比方：CLI 是食材，MCP 是预制菜，SKILL 是菜谱。食材（CLI）最灵活，你可以做任何菜，但每道菜都得从洗菜切菜开始；预制菜（MCP）省事，开袋加热就能吃，但只有菜单上有的品种。菜谱（SKILL）是完整的烹饪流程，告诉你先放什么后放什么、火候多大、什么时候翻面，可能同时用到食材和预制菜。

什么时候用MCP？什么时候用CLI+Skill？

Agent并不需要在 CLI、MCP、SKILL 间三选一，而是根据场景切换。

朴实结论：简单操作直接敲 CLI；高频标准操作走 MCP；复杂多步流程用 SKILL 编排。

MCP死了吗？

对于需要 集中OAuth授权、RBAC权限管控、调用行为监控 以及 工具链路审计 的企业内部工具平台来说，HTTP MCP 仍有意义。MCP Server可以对接企业身份认证中心，对员工的工具调用请求做集中身份校验（Header中携带凭证），同时记录操作日志，最后才转发到业务MCP服务。

而CLI工具一般是直接请求目标API接口、不经过企业内部网关/身份认证中心

结论：对于本地开发工作流，没有上述治理风控需求，CLI + Skill 比 stdio模式的MCP 性能更好、上下文开销更低，可以完全替代。

Agent + CLI 为什么「绝配」

• LLM 和终端说同一种语言：LLM 输入输出都是文本，终端也是。对 AI 来说CLI就是完成任务的最短路径，而让 AI 操作 GUI、浏览器就要绕远路：截图→视觉模型识别按钮在哪→模拟鼠标去点，一行命令能搞定的事拆成几步，每步都可能出错。

• CLI自带说明书：这是 CLI 相对于 API 最被低估的优势。AI 碰到一个陌生的 CLI，敲一下--help就知道有哪些能力、怎么用、参数怎么填。 API 则不行：模型得先看到API文档、弄清端点、如何auth才能动手。

• **可自由组合：MCP 更适合预定义的标准操作，而 CLI 可以靠管道组合出没预设的操作，这种"即兴编排"**能力是 CLI 独有优势。

• **原生支持并行：**CLI 命令本质上是无状态、可序列化的，一个字符串就是一个完整的CLI命令。这意味着 Agent 可以批量生成命令、并行分发到多个进程执行，无需维护复杂状态。

• 上下文干净：这是CLI相对于 MCP 的优势。MCP 把工具清单预先注册到上下文中，适合高频、需返回结构化数据的操作（如查数据库）。但工具清单常驻上下文，模型只需其中一个工具，其余工具schema也占着空间，浪费token，同时分散注意力。注册工具过多还可能导致**“上下文腐烂”**现象发生，即工具越多调用准确率越低

  

CLI 是不是终局

答案显然不是，未来产品会分为三层：

• 完全面向人：好看、好用、交互流畅，满足人的认知和操作习惯，GUI是最优选择。
• 完全面向 Agent：结构化、自带说明、可组合，满足AI 调用和执行效率，CLI是最优选择。
• 人机共生协作：既要让人能高效表达意图和主动控制，还能让 Agent 高效展示进度和接收反馈。视觉上还要愉悦用户，谁先把这一层做好，谁就定义了 AI 时代的协作范式。

“人和 Agent 间怎么协作”不是一个技术问题，是信任问题。人需要在“完全不放手”和“完全放手”间找到平衡。 完全不放手，Agent 每一步都要请示，效率比自己干还低；完全放手，Agent 跑飞了可能都不知道。 核心问题是可观测怎么设计。

• 计划可观测，Agent 不上来就动手，先出方案让人审。claude code的 plan 模式就是典型：Agent 分析完需求后，先列出要改哪些文件、每个文件怎么改，人可以在计划阶段就纠正，而不是等Agent跑完了再返工。
• 过程可观测， 人需要实时看到Agent在干什么。但不是把所有日志甩给用户看，而是把 Agent 行为翻译成人能快速判断的摘要。比如claude code 执行每一步时会展示正在调用什么工具、读了哪个文件、改了哪几行，用户发现跑偏了能立刻中断并补充信息。

但上面提到的可观测能力仅限于Coding Agent场景，依赖于程序员自身的判断能力。