夜雨聆风研究AIOps已有大半年，目前手里有不少可落地的方案了，接下来会把这些方案全部整理到我的大模型课程里。
唉！AI发展太快了，刚做好的课程又过时了，还得重新搞！
目前AI圈就是这样，技术更新迭代速度太快，有的都还没有研究明白，新的替代品又出来了，又得重新学！
比如，MCP去年刚出来时，全网都在宣讲，还被很多人叫作AI工具接入的“万能接口”。你看，这才过没多久，大家又开始说它不行了，反而说CLI才是未来！
我承认MCP有一定的缺陷，但并能说它不行了，它还是有用武之地的。今天这篇文章我想针对MCP、Skills以及CLI说说我的一些看法。
01 | MCP的问题1：用起来太重
MCP的出发点其实没毛病，它想解决的是：AI模型怎么安全、标准地调用外部工具？比如读文件、查数据库、调GitHub API、访问企业系统。
它大概的工作方式是：MCP Server先把自己有哪些工具、每个工具怎么用、参数长什么样，都告诉Client。Client再把这些工具说明塞进模型上下文里。等模型需要用工具时，再发起调用。
问题就出在这里：它一上来就把一堆工具说明全塞给模型。
这就像你请一个实习生办一件小事，结果上来先丢给他三本公司制度、五份 API 文档、十几个操作手册，然后说：“你自己看着办。”
他还没开始干活，脑子已经快满了。对大模型来说，上下文窗口就是工作台。MCP这种“全量加载”的方式，会把大量暂时用不上的工具信息提前塞进去。工具越多，占用越夸张，真正有用的任务信息反而被挤到边上。
最后就会出现一个很尴尬的局面：你给AI配的工具越多，它越不一定会用对。
02 | MCP问题2：链路长，坏了不好查
MCP还有一个很现实的问题：复杂。它不是一个简单的命令，而是一整套客户端、服务端、协议转换、网络调用、认证授权的组合。
理论上很优雅，实践里经常让人头大。Server没启动成功，工具列表没拉下来，认证过期了，下游接口报错了，模型选错工具了……任何一个地方出问题，最后表现出来可能都是一句：“工具调用失败。”
然后你就得开始排查：到底是模型没理解？还是协议转换错了？还是网络有问题？还是目标服务不让访问？还是权限没配好？
这也是很多开发者吐槽MCP的原因：不是不能用，而是有时候接MCP的时间，比真正写业务逻辑还长。
特别是认证这块，如果你接了多个MCP Server，每个服务又有自己的 OAuth、API Key、Token 体系，维护起来会非常碎。
AI Agent本来是为了帮你省事，结果你先得花不少时间伺候它的工具链。
03 | CLI为什么突然又香了？
说到CLI，也就是所谓的命令行，很多人第一反应是：这不是几十年前的东西吗？对，正因为它老，反而适合AI。CLI有几个特别适合Agent的特点。
第一，它是按需发现的。
AI不需要一开始就知道所有命令细节。比如针对gh（Glithub CLI ）它可以先执行：
gh --help看看GitHub CLI能做什么。需要看PR相关功能时，再查：
gh pr --help需要具体参数时，再继续往下看。这跟MCP最大的区别是：MCP是先把菜单全背下来，CLI是想点菜时再看菜单。后者显然省上下文，也更接近人类工程师的工作方式。
第二，它支持管道，组合着用很爽。
命令行世界里有个很强的传统：一个工具做好一件事，多个工具用管道串起来。比如查数据、过滤、排序、格式化输出，都可以一层层接：
command | grep xxx | jq xxx
这对AI来说非常友好，因为它不用每次都等开发者专门写一个“新工具”。很多任务通过已有命令拼一下就能完成。
MCP的工具调用更像“一个接口对应一个能力”。CLI则像积木，模型可以自己组合。这也是CLI对Agent很关键的地方：它不只是能执行命令，而是能探索、能试错、能组合。
第三，大模型本来就很熟命令行。
还有一个容易被忽略的点，那就是大模型训练数据里，本来就有大量命令行内容。比如，Linux文档、Stack Overflow、GitHub Actions、Dockerfile、Shell脚本、kubectl示例、git教程……这些东西模型见得太多了。
所以你让它用：
gitcurlgrepdockerkubectlgh
它天然就比较熟。反过来，如果你给它一套新的MCP工具schema，它还得先读说明、理解参数、判断该调哪个工具。
基于以上三个点，CLI用在Agent里，天生就比较稳定，而且最重要的是它很节省tokens，这是MCP无法比拟的优势！
04 | 那MCP是不是没用了？
也不是。现在有些说法喜欢直接喊“MCP已死”，这其实有点过头。
MCP的价值仍然在。比如你需要跨平台标准化接入工具，需要多个Agent共享同一套能力，需要把复杂服务包装成统一协议，MCP依然有意义。只是它不太适合所有场景。尤其是那些高频、简单、重复、追求低成本和稳定性的任务，用CLI可能更舒服。
05 | 别忘了Skills
既然都比较MCP和CLI了，那自然不能忘记Skills，这玩意出来后，也加速了MCP的被冷落的速度。下面我把这三样东西放一起做个比较：
① MCP更像适配器，解决系统之间怎么连，适合做标准化连接；
② CLI更像操作杆，让AI直接把动作做出来，适合做具体执行；
③ Skills更像说明书，告诉AI这个业务该怎么理解，适合告诉AI背后的规则和经验。
这三个属于不同层次的东西，适合的场景也有所不同。在适合使用MCP的场景里只有Skills或者CLI肯定是不行的。
06 | 配合使用才是王道
现在越来越多厂商（比如飞书）开始开源自己的CLI，本质上说明了一件事：企业想让AI真正进入业务流程，光会聊天不够，必须能执行。
CLI的输入明确，输出清晰，状态可判断，还容易自动化。所以对Agent来说，CLI往往比图形界面更像“母语”。
如果再配合Skills，把企业内部流程、注意事项、最佳实践写成轻量说明，AI就不需要每次都重新摸索。这套组合很朴素，但很实用。
总之，MCP不会马上消失，但它不会再适合包打天下。CLI也不是新技术，但它很可能会成为AI Agent执行任务的主战场。而对大多数开发者来说，未来一段时间最稳妥的方案，大概率是：高频执行交给CLI，复杂集成交给MCP，业务经验交给Skills。
我的运维大模型课上线了，目前还有很大优惠。扫码咨询优惠（粉丝优惠力度大）
