夜雨聆风最近在研究如何让 Agent 自动使用 Google Analytics 做增长分析时，我发现一个有趣的问题：如果想让 Agent 查询 GA 数据，到底应该使用什么？API？Python SDK？CLI？MCP？Skill？
这些概念经常被混在一起，但如果从软件发展的角度看，会发现它们其实都在解决同一个问题：
如何把复杂能力封装成更容易被使用的形式。
软件发展的本质：不断降低复杂度
软件工程一直在做一件事情：不断 Wrap，不断抽象。
从机器语言到高级语言，从 Library 到 Framework，再到 SDK、API，本质都是隐藏底层复杂性，让使用者关注更高价值的问题。
© 图 1｜从 System 到 Human：复杂能力是被一层层 Wrap 出来的
API：能力本身
API 是系统提供能力的标准入口。
例如 Google Analytics API 提供查询用户、渠道、页面等数据的能力。API 很强大，但也比较底层，需要调用者理解参数、认证、请求格式。
SDK：给程序员使用 API 的工具箱
SDK（Software Development Kit）本质是 API 的封装。
它帮助开发者处理认证、参数转换、请求细节，让调用变得简单。
CLI：把 API 变成动作
CLI（Command Line Interface）进一步包装 API。
例如：
ga users --days 7
背后可能调用 Google Analytics API，但对于人和 Agent 来说，它变成了一个明确的执行动作。
Python Script：把能力组合成流程
Python Script 不是连接方式，而是业务逻辑编排。
例如增长分析流程：查询用户趋势 → 判断异常 → 查询渠道变化 → 检查页面表现 → 输出分析报告。
这就是 Workflow 的雏形。
© 图 2｜API、SDK、CLI、Python Script：同一个能力的四种使用界面
Skill：让 Agent 知道什么时候使用能力
Skill 不只是工具封装，它包含能力定义、使用规则、领域知识和最佳实践。
CLI 告诉 Agent 怎么执行，Skill 告诉 Agent 什么时候执行、为什么执行。
© 图 3｜Tool 提供能力，Skill 组织能力：为什么 Agent 需要 Skill
MCP：Agent 世界的统一插座
当工具越来越多：Google Analytics、GitHub、Slack、Notion、CRM，需要一个标准方式让 Agent 发现和调用工具，于是 MCP 出现。
MCP 类似 AI 工具世界的 USB-C。
Agent 时代的新架构
Human
↓
Agent
↓
Skill
↓
Workflow
↓
CLI / Function / MCP
↓
API
↓
System
对个人和小团队来说
并不是一开始就需要 MCP。
很多场景下：
Agent
↓
Skill
↓
CLI / Python Script
↓
API
↓
Google Analytics
已经足够强大。
真正重要的不是选择哪个技术名词，而是理解：
AI 时代的软件竞争，本质是把现实世界复杂能力，重新包装成 Agent 可以理解、调用和执行的能力。
未来优秀的 Agent Builder，本质越来越像 FDE（Forward Deployed Engineer）：连接业务、系统和 AI，把复杂流程变成可执行能力。
