最近AI Agent圈子又因为CLI躁动了。不少开发者抛弃MCP，转向 CLI + Skills 混合模式：用CLI干重活，用轻量Skill做结构化控制。

CLI到底是什么？

简单来说，CLI就是让大模型直接生成命令行指令，然后由Agent在本地或受控环境中执行。

举几个直观的例子：

• “帮我把今天下载的PDF全部重命名为‘会议记录-日期-序号.pdf’”，大模型输出

find . -name "*.pdf" -mtime -1 | xargs -I {} mv {} "会议记录-$(date +%Y%m%d)-{}.pdf"

• “把这个项目的依赖更新到最新，但只更新patch版本” 

npm outdated --parseable | cut -d: -f2 | xargs -I {} npm install {}@latest --save

Agent拿到命令后，直接丢给shell执行，拿到输出再喂回大模型。整个流程极简粗暴，却异常高效。

CLI vs MCP

相比MCP，CLI有几个优势：

1. Token消耗大幅降低

MCP每次调用都要把当前可用的所有工具列表、参数 schema、描述全塞进上下文。

而CLI呢？

git、curl、jq、awk、rsync、docker……这些通用命令大模型自带知识，根本不用传文档。

遇到较新的CLI（如Playwright），只需要把帮助文档喂给大模型，token也不会比MCP高。

目前社区讨论中认为，MCP在简单任务上token消耗是CLI的10-32倍，而且因为上下文限制等原因，失败率更高。

2. 不依赖MCP Server，维护成本低

MCP需要专门维护一个Server来暴露工具接口。

CLI直接用现有的服务器就能跑，基本零额外成本。

3. 灵活性更强

MCP的每个工具都是孤立的函数，你要实现“查找→过滤→批量重命名→压缩”这样的流程，往往需要多次往返大模型。

CLI却可以让大模型一次性生成管道命令，甚至是带逻辑的多行脚本

Bashfind /data -name "*.log" -mtime +7 | xargs grep -l "ERROR" | xargs -I {} sh -c 'mv {} {}.old && gzip {}.old'

一条命令搞定，中间结果不需要来回传输，提升了效率，也节省了token。

很多MCP做不到、或者需要写一大堆glue code的事，CLI用一行shell就能干。

Claude Code、Gemini CLI 等产品直接内置强大的bash工具，一些实测表明，一条工具就能顶替以前50+个MCP工具

但CLI也不是万能的，它的痛点也很明显：

1. 约束弱，结果不稳定

大模型也许会给出最优的命令，但对于复杂的命令，有时候会生成非最优命令或者错误命令，比如路径没加引号、特殊字符没转义、甚至直接 rm -rf /* 这种灾难操作。

2. 安全风险更高

让大模型生成命令，本质上是把root权限间接交给了它。理论上必须配合严格的沙箱、权限控制、最小化原则才能用。

3. 调试体验较差

命令执行失败后，错误信息有时很原始，大模型需要多轮才能定位问题，不像MCP的结构化返回那么明确。

最后

现在一些人有非黑即白的误区——要么all in MCP，要么all in CLI。

但我认为：CLI和MCP是互补，不是替代。CLI的本质是用最低成本、最高灵活度把大模型已有的“终端知识”激活，它不会完全取代MCP。真正聪明的做法是分场景选用。