夜雨聆风
上周用AI Agent帮我整理一份文档，10分钟的任务它折腾了40分钟——
不是它不聪明，而是它每次遇到同一个问题，都要重新摸索一遍。
同样的坑，它踩了三次，我才意识到：不是AI不行，是我没给它配「副驾驶」。
今天聊三个真正管用的工具：CLI命令行、MCP协议、Skill经验库。听起来技术感十足，但看完你会发现——它们的关系，就像「你会开车」「车有导航」「副驾驶有经验」一样清晰。
CLI，全称Command Line Interface，就是你在终端里敲的那些命令——ls查看文件、grep搜索内容、git提交代码。
这些命令，AI模型在训练时就见过了。海量的开源代码、技术文档里全是这些命令的用法——模型对它们「烂熟于心」，不需要你额外解释。
📝 举个例子：
让Agent搜索一个关键词，直接说：
grep -n "agent" *.md
模型一看就懂，零额外说明，零上下文消耗。
CLI的好处：零成本——模型本来就会，不需要额外加载任何东西。
CLI的局限：它只会「开车」，不会指路。遇到「这个项目用什么分支策略」「搜到内容后怎么整理」，它只能靠猜。
MCP，全称Model Context Protocol，是Anthropic在2024年底发布的一个开放协议。它的作用是：给AI装一个「工具箱」，让AI能调用外部服务——比如访问数据库、查询实时信息、操作带登录验证的网页。
可以把它想象成：一辆车装了全套导航系统。出发前，80条预设路线全部加载好——你要去哪，它都知道怎么走。
⚠️ 但问题来了：
80个工具，55,000个token。对话还没开始，上来就先把「说明书全文」塞进上下文窗口。
你可能只需要其中1个工具，但得把80个的说明全部背上——用不用得了，先背着再说。
MCP适合的场景：命令行搞不定的事——比如抓取一个需要JavaScript渲染的网页（curl拿到的只是骨架），或者调用需要身份验证的API。这些事CLI确实做不了，MCP来补位。
Skill是什么？它就是一个markdown文件，里面写着：
✅ 什么场景下用这个Skill
✅ 具体怎么操作，步骤一二三
✅ 有哪些坑要避开
✅ 怎么验证做对了
拿我自己的例子来说：我有一个Skill叫「YouTube字幕研究」，里面写了：用什么命令搜、日期过滤为什么做两遍、哪个Python脚本处理字幕效果最好、文件存哪个路径……
这些知识不是模型训练数据里有的，是我踩了坑之后自己总结的。
🎉 Skill的核心优势：按需加载，用完就走
MCP是不管用不用，80个工具全加载。Skill不一样——
Agent根据当前任务判断「可能需要哪个Skill」，然后才去读。用完就结束，不常驻上下文。
一个典型Skill文件，2000到10000字。只在需要的时候出现，不占地方。
Skill还会「进化」。
CLI命令是操作系统定的，改不了。MCP服务器的schema是开发者写的，你也不好动。但Skill是你自己的markdown文件。
踩了新坑？加一行注意事项。发现更好的做法？改掉旧步骤。拿我的Agent来说，每隔几天它会自动给Skill库做一次「体检」——合并重复的、删掉过时的、把新经验写进去。上个月做字幕下载，第一次日期过滤出了bug，修好之后Agent自己把修法写进了Skill。下次再跑，直接走正确路径。
工具选型对照表
─────────────────────────────────
CLI → 命令行能搞定的事 → 零开销，模型自带
MCP → 命令行搞不定的事 → 有token开销，但能力边界扩展
Skill → 特定流程/团队规范/踩坑经验 → 一次性编写，长期复用
─────────────────────────────────
最佳策略：三个都用，根据场景自己选
拿我自己用的AI助手来说，它有一套Skill管理机制，核心逻辑很简单：
遇到新任务 → 判断需要哪个Skill → 加载Skill → 执行 → 把新经验写回Skill
具体怎么分工：
📝 场景一：读文件 + 搜关键词
cat notes.md + grep -n agent *.md
→ 用CLI，零额外消耗，两条命令搞定
📝 场景二：抓一个JavaScript渲染的网页
→ 上MCP，带无头浏览器，250个token，几秒钟搞定
（用curl的话，要花几分钟逆向工程Next.js的数据格式，2000多个token，大量本地计算）
📝 场景三：每次做「YouTube字幕研究」都要重新摸索一遍
→ 建一个Skill，把最优路径固化下来，下次直接走
（什么关键词、日期过滤做两遍、哪个脚本效果最好——这些是团队规范，不通用，模型训练数据里没有，只能靠Skill传递）
CLI是地基——模型自带，零开销，把基础动作自动化。
MCP是扩展件——命令行搞不定的事，能力边界扩展，但有token成本。
Skill是操作手册——把踩坑经验沉淀下来，让AI每次都走最优路径。
⚠️ 两个信号，帮你判断该用哪个：
信号一：你的Agent开始「逆向工程」某个JavaScript框架来读一个网页 → 大概率选错了工具，上MCP
信号二：你的Agent每次做同一件事都要重新摸索一遍 → 大概率缺一个Skill，把最优路径写下来
最好的AI助手，三个都有，根据场景自己选。副驾驶到位了，你才不用重复踩坑。
如何学习借鉴这篇文章思路？
最简单方法：你将这一篇文章链接发给你的AI就行！