MCP vs CLI：AI Agent的"接口之争"，谁才是终局？

真假
4 阅读20分钟

MCP vs CLI：AI Agent的"接口之争"，谁才是终局？

📌 阅读时长：约25分钟 📌 适合人群：AI开发者、架构师、技术决策者、对AI Agent感兴趣的技术人员 📌 你将收获：深入理解MCP和CLI的本质区别、掌握两者的优缺点对比、获取丰富的学习资源、明确学习方向

前言：一场关于AI Agent接口的"路线之争"

事件背景

2026年3月，AI圈发生了一件大事：Perplexity联合创始人兼CTO Denis Yarats在公司内部宣布，放弃MCP协议，全面转向API和CLI。与此同时，YC掌门人Garry Tan在社交媒体上炮轰MCP："老实说就是垃圾"，称自己花30分钟用AI写了一个100行的Playwright CLI封装，效果比通过MCP接入Chrome好100倍。

一时间，"MCP已死，CLI当立"的论调甚嚣尘上。

然而，就在几个月前，MCP还是AI圈的"当红炸子鸡"。GitHub上冒出几千个MCP Server实现，每个AI IDE都在争相接入。Anthropic官方将其定位为"AI领域的USB时刻"，试图通过标准化协议终结"手写接口"时代。

本文目的

为什么MCP从爆红到被嫌弃？CLI真的能取代MCP吗？作为开发者，我们该学习哪个？

本文将通过对比两篇代表性文章——掘金的《从爆红到被嫌弃，MCP为什么开始失宠了》和CSDN的《MCP协议：终结AI Agent"手写接口"时代》，深入剖析这场"接口之争"的本质，帮助你做出正确的技术选择。

一、MCP是什么？——AI领域的"USB时刻"

1.1 MCP的定义

MCP（Model Context Protocol，模型上下文协议） 是由Anthropic在2024年11月推出的开放标准协议，旨在标准化大语言模型（LLM）与外部工具、数据源之间的交互方式。

用一句话概括：MCP试图成为AI领域的"USB接口"，让任何AI模型都能以统一的方式连接任何工具。

1.2 MCP的核心架构

MCP采用总线式设计，包含三个核心角色：

角色职责类比示例
Host运行AI应用的主程序电脑主机Claude Desktop、Cursor、Windsurf
Client与MCP Server通信的客户端USB驱动MCP SDK（Python/TypeScript）
Server提供具体能力的工具服务USB设备GitHub MCP、Slack MCP、Database MCP

1.3 MCP的四种核心原语

MCP定义了四种核心原语（Primitives），用于描述不同类型的能力：

原语用途示例
Tools可执行的函数/命令search_web(query)、create_issue(title, body)
Resources可读取的数据/文件文件内容、数据库记录、API响应
Prompts预定义的提示模板"帮我分析这段代码"、"总结这篇文章"
Sampling模型采样请求让Server请求LLM生成内容

1.4 MCP的设计初衷

在MCP出现之前，AI Agent与工具的集成面临两大痛点：

痛点一：重复造轮子

每个AI应用想要接入某个工具（如GitHub、Slack、数据库），都需要单独开发一套集成代码。如果你想让Claude、ChatGPT、Gemini都能访问你的数据库，你需要写三套不同的集成代码。

痛点二：能力孤岛

不同AI应用之间的工具无法互通。你在Claude里配置的工具，无法在ChatGPT里使用；你在Cursor里开发的插件，无法在Windsurf里复用。

1.5 MCP的理想愿景

CSDN文章《MCP协议：终结AI Agent"手写接口"时代》描绘了MCP的理想愿景：

"MCP协议正推动AI领域进入'USB时刻'，通过标准化能力总线架构终结'手写接口'时代。"

这个愿景很美好：就像USB接口统一了外设连接，MCP将统一AI与工具的连接。开发者不再需要为每个AI应用单独开发集成代码，AI应用也不再需要为每个工具单独适配。

1.6 MCP的发展历程

时间事件影响
2024年11月Anthropic发布MCP开启标准化之路
2024年12月Claude Desktop支持MCP首个主流应用
2025年1月Cursor、Windsurf接入IDE生态跟进
2025年3月GitHub上MCP Server突破1000个社区爆发
2025年6月MCP Server突破5000个生态繁荣
2026年3月Perplexity宣布放弃MCP争议爆发

二、CLI是什么？——AI Agent的"母语"

2.1 CLI的定义

CLI（Command Line Interface，命令行接口） 是一种传统的计算机交互方式，用户通过输入文本命令来与系统交互。

在AI Agent的语境下，CLI指的是：让AI Agent直接执行Shell命令，通过命令行工具与系统交互。

2.2 CLI的核心优势

优势一：零上下文开销

MCP的核心问题在于线性上下文成本。你添加的每一个MCP工具，包括它的名称、描述、参数Schema和示例，都会占用Agent的上下文窗口。

Token消耗对比：

方式Token消耗
MCP（10个工具，每个5个函数）10 × 5 × 500 = 25,000 tokens
CLI0 tokens（按需执行）
优势二：极致的可组合性

Unix哲学的核心是："每个程序只做一件事，并把它做好；让程序的输出成为另一个程序的输入。"

CLI天然支持管道（Pipe）操作，可以将一个命令的输出直接传递给下一个命令：

# MCP方式：需要Agent手动串联
# Step 1: Call search API
# Step 2: Parse JSON response
# Step 3: Filter results
# Step 4: Format output
# 总共需要4次LLM调用

# CLI方式：一行命令搞定
curl "https://api.example.com/data" | jq '.items[]' | grep "active" | sort
# 只需要1次LLM调用
优势三：复用系统级认证

CLI复用的是系统级别的认证体系，这套东西已经经过几十年的打磨：

认证方式CLIMCP
SSH密钥✅ 直接使用❌ 需要额外实现
环境变量✅ 直接使用❌ 需要额外实现
配置文件✅ 直接使用❌ 需要额外实现
密钥管理器✅ 直接集成❌ 需要额外实现

2.3 CLI的"母语"地位

2026年2月，前特斯拉AI总监Andrej Karpathy在社交媒体上发表了一段话：

"AI agents can natively and easily use them."

这句话的意思是：智能体不需要额外适配层，就可以直接使用CLI。因为智能体的输入输出本来就是文本，而CLI的输入输出也是文本——它们说的是同一种语言。

从这个角度看，CLI是AI Agent的"母语"，而MCP则是一种"翻译层"。

2.4 主流CLI工具一览

工具用途GitHub Stars
Claude CodeAnthropic官方CLI编程助手100K+
Gemini CLIGoogle开源AI Agent60K+
GitHub CLI (gh)GitHub操作40K+
AWS CLIAWS服务操作官方工具
kubectlKubernetes操作官方工具

三、MCP vs CLI：全面对比

3.1 核心指标对比

对比维度MCPCLI说明
Token开销高零MCP每个工具需加载Schema
认证复杂度高低CLI复用系统认证
延迟高低MCP有网络+协议开销
成本高（10-32倍）低基准测试数据
可组合性差强CLI支持管道操作
标准化程度高中MCP有统一协议
跨平台兼容好差命令可能不同
安全性中高CLI有系统级权限控制
学习曲线中低CLI更直观
生态成熟度新兴成熟CLI有几十年历史
工具发现好差MCP有tools/list
调试难度高低CLI输出直观

3.2 成本对比：详细数据

根据ScaleKit的2026年基准测试，MCP比CLI贵10-32倍。

单次工具调用对比
场景MCP成本CLI成本倍数
简单查询（如获取天气）800 tokens50 tokens16x
API调用（如GitHub API）1,200 tokens80 tokens15x
数据处理（如JSON解析）1,500 tokens100 tokens15x
多工具Agent对比
工具数量MCP固定开销CLI开销倍数
5个工具12,500 tokens0 tokens∞
10个工具25,000 tokens0 tokens∞
50个工具125,000 tokens0 tokens∞
100个工具250,000 tokens0 tokens∞
长程任务对比
任务步数MCP总成本CLI总成本倍数
10步50,000 tokens2,000 tokens25x
50步200,000 tokens10,000 tokens20x
100步400,000 tokens20,000 tokens20x

3.3 延迟对比

操作MCP延迟CLI延迟差异
工具发现100-300ms0msCLI无需发现
单次调用200-500ms50-100ms2-5倍
多步任务1-3秒200-500ms5-10倍

3.4 MCP的三大致命问题

问题一：Token经济学崩溃

MCP的设计者们做了一个假设：工具Schema应该预先加载，这样可以降低每次工具调用的延迟。

这个假设在工具数量少、调用频繁的场景下是成立的。但当工具数量增加时，问题就出现了：

  • 10个工具 ≈ 5,000 tokens
  • 50个工具 ≈ 25,000 tokens
  • 100个工具 ≈ 50,000 tokens

当你的Agent连接了100个工具，光加载Schema就要消耗50000 tokens！

问题二：认证体系碎片化

CLI复用的是系统级别的认证体系（SSH密钥、环境变量、配置文件），这套东西已经经过几十年的打磨。而MCP需要你重新为每个工具搭一遍认证流程。每个MCP Server都需要实现自己的认证逻辑，既增加了开发成本，又引入了安全风险。

问题三：延迟叠加

MCP调用链：Agent → MCP Client（序列化）→ MCP Server（网络传输）→ 目标服务（API调用）

CLI调用链：Agent → 目标服务（直接执行）

MCP的每次工具调用都需要经过多层处理，而CLI直接在本地执行，跳过了中间层。

四、实际案例深度分析

4.1 案例一：查询GitHub仓库信息

任务：让AI Agent查询GitHub仓库的star数量

MCP实现
// 1. 加载工具Schema（约500 tokens）
{
  "name": "github_get_repo",
  "description": "Get repository information from GitHub API",
  "inputSchema": {
    "type": "object",
    "properties": {
      "owner": {
        "type": "string",
        "description": "Repository owner (username or organization)"
      },
      "repo": {
        "type": "string",
        "description": "Repository name"
      }
    },
    "required": ["owner", "repo"]
  },
  "examples": [
    {
      "owner": "anthropics",
      "repo": "anthropic-sdk-python"
    }
  ]
}

// 2. Agent决策调用（约100 tokens）
{
  "method": "tools/call",
  "params": {
    "name": "github_get_repo",
    "arguments": {
      "owner": "anthropics",
      "repo": "anthropic-sdk-python"
    }
  }
}

// 3. MCP Server处理请求
// 4. 调用GitHub API
// 5. 返回结果（约500 tokens）
{
  "content": [{
    "type": "text",
    "text": "{\"name\": \"anthropic-sdk-python\", \"full_name\": \"anthropics/anthropic-sdk-python\", \"stargazers_count\": 15000, \"forks_count\": 2000, \"open_issues_count\": 50}"
  }]
}

总Token消耗：约1,100 tokens | 总延迟：约300ms

CLI实现
# 一行命令搞定
gh repo view anthropics/anthropic-sdk-python --json name,stargazerCount

# 输出
{"name": "anthropic-sdk-python", "stargazerCount": 15000}

总Token消耗：约50 tokens | 总延迟：约50ms

对比结果：

指标MCPCLI差异
Token消耗1,1005022倍
延迟300ms50ms6倍
代码复杂度高低-

4.2 案例二：批量处理文件

任务：找出当前目录下所有大于1MB的文件，并按大小排序

MCP实现

需要多个步骤：

  1. 加载文件系统MCP Server的Schema
  2. 调用list_files工具
  3. 对每个文件调用get_file_info工具
  4. 过滤大于1MB的文件
  5. 排序

预估Token消耗：5,000+ tokens

CLI实现
# 一行命令搞定
find . -type f -size +1M -exec ls -lh {} \; | awk '{print $5,$9}' | sort -hr

Token消耗：约100 tokens

对比结果：Token差距50倍+

4.3 案例三：Claude Code vs Cursor

Claude Code（CLI优先）和Cursor（MCP优先）是两种不同设计哲学的代表。

Claude Code（CLI优先）

Claude Code是Anthropic官方推出的CLI编程助手，其设计哲学是"CLI优先"：

  • 直接执行Shell命令：无需中间协议层
  • 零Token开销：不预加载工具Schema
  • 极致性能：延迟低、成本低
  • 系统级集成：直接访问文件系统、Git、终端
Cursor（MCP优先）

Cursor是流行的AI IDE，其设计哲学是"MCP优先"：

  • MCP协议集成：通过MCP连接各种工具
  • 丰富的工具生态：支持大量MCP Server
  • 跨平台兼容：统一的协议层
  • 可视化界面：友好的用户交互
实际对比
场景Claude CodeCursor
代码补全快速、准确稍慢
文件操作直接、高效需要MCP调用
Git操作原生支持通过MCP
成本低较高
学习曲线中低

4.4 案例四：Perplexity的选择

Perplexity是估值180亿美元的AI独角兽，其CTO Denis Yarats在2026年3月宣布放弃MCP，转向API+CLI。

放弃MCP的原因：

  1. Token成本过高：MCP的Schema开销导致每次查询成本增加10倍以上
  2. 认证复杂：每个MCP Server都需要单独实现认证
  3. 延迟叠加：多层协议导致响应变慢
  4. 维护成本：MCP生态变化快，维护成本高

转向CLI的原因：

  1. 零Token开销：直接执行命令，无需预加载
  2. 系统级认证：复用成熟的认证体系
  3. 低延迟：直接执行，无中间层
  4. 简单可靠：CLI工具经过几十年验证

五、MCP还有价值吗？——辩证看待

5.1 MCP的核心价值

尽管MCP存在上述问题，但它仍有不可忽视的价值：

价值一：标准化的网络效应

MCP最大的价值在于标准化带来的网络效应。如果所有AI应用都支持MCP，那么：

  • 工具开发者只需实现一次MCP Server，所有AI应用都能使用
  • AI应用开发者无需为每个工具单独开发集成代码
  • 用户可以在不同AI应用之间无缝迁移
价值二：跨模型兼容

MCP是模型无关的。同一个MCP Server可以被Claude、ChatGPT、Gemini、DeepSeek等任何支持MCP的模型使用。这对于企业用户尤其重要：他们不希望被单一模型供应商锁定。

价值三：安全与合规

MCP提供了更细粒度的权限控制和审计能力。企业可以：

  • 控制哪些工具可以被调用
  • 记录所有工具调用的日志
  • 实现敏感数据过滤

5.2 MCP的适用场景

场景是否适合MCP原因
企业级AI应用✅ 适合需要安全、合规、跨模型兼容
多模型环境✅ 适合需要在不同模型间共享工具
工具数量少（<10个）✅ 适合Token开销可控
SaaS产品集成✅ 适合需要标准化接口
工具数量多（>50个）❌ 不适合Token开销过大
个人开发者❌ 不适合CLI更简单高效
追求极致性能❌ 不适合CLI延迟更低
本地开发环境❌ 不适合CLI更直接

5.3 CLI的局限性

CLI虽然强大，但也有局限性：

局限一：跨平台兼容性差

同样的功能，在不同操作系统上可能需要不同的命令：

# Linux/macOS
ls -la

# Windows
dir

# PowerShell
Get-ChildItem

而MCP通过协议层屏蔽了这些差异。

局限二：工具发现困难

CLI没有标准的方式来"发现"可用工具。Agent需要预先知道有哪些命令可用。MCP提供了tools/list接口，Agent可以动态发现可用工具。

局限三：缺乏标准化

不同的CLI工具有不同的参数格式、输出格式，Agent需要针对每个工具单独适配。

5.4 未来趋势：融合与演进

MCP和CLI并非非此即彼的关系，未来可能出现融合：

  1. MCP over CLI：用CLI作为MCP的传输层
  2. CLI with Schema：为CLI工具添加标准化描述
  3. 混合模式：根据场景选择MCP或CLI

六、我们该学习哪个？——实践指南

6.1 学习路径建议

如果你是个人开发者

优先学习CLI。

原因：

  • 学习成本低：只需熟悉常用命令
  • 效果立竿见影：立即提升Agent能力
  • 成本可控：Token消耗低

学习步骤：

第1周：基础CLI工具
├── 文件操作：ls, cd, cp, mv, rm
├── 文本处理：cat, grep, sed, awk
├── 网络工具：curl, wget
└── 进程管理：ps, top, kill

第2周：开发工具CLI
├── Git：git add, commit, push, pull
├── GitHub CLI：gh repo, gh issue, gh pr
├── Docker：docker run, build, ps
└── 包管理器：npm, pip, cargo

第3周：AI Agent CLI
├── Claude Code：claude chat, claude code
├── Gemini CLI：gemini chat, gemini code
└── 自定义CLI工具开发

第4周：实战项目
├── 构建个人AI助手
├── 自动化工作流
└── 性能优化
如果你是企业开发者

两者都要学习，但侧重点不同。

  • CLI：用于内部工具、追求性能的场景
  • MCP：用于对外服务、需要跨模型兼容的场景

学习步骤：

第一阶段：CLI基础（2周）
├── 掌握常用CLI工具
├── 理解Shell脚本编程
└── 实践AI Agent CLI工具

第二阶段：MCP协议（2周）
├── 学习MCP协议规范
├── 开发简单MCP Server
└── 理解MCP生态

第三阶段：场景选择（1周）
├── 分析不同场景的需求
├── 选择合适的技术方案
└── 权衡成本与收益

第四阶段：实战项目（2周）
├── 企业级AI应用开发
├── 多模型环境集成
└── 安全合规实践
如果你是工具开发者

优先学习MCP。

原因：

  • 一次开发，多处使用
  • 接入主流AI应用（Claude、Cursor等）
  • 获得更广泛的用户

学习步骤：

第1周：MCP协议深入
├── 阅读官方规范
├── 理解四种原语
└── 分析现有MCP Server

第2周：MCP Server开发
├── Python SDK实践
├── TypeScript SDK实践
└── 调试与测试

第3周：发布与推广
├── 发布到MCP市场
├── 编写文档
└── 社区推广

第4周：维护与迭代
├── 收集用户反馈
├── 修复Bug
└── 添加新功能

6.2 技能树对比

CLI技能树
CLI技能树
├── 基础层
│   ├── Shell基础（Bash/Zsh）
│   ├── 文件系统操作
│   ├── 文本处理
│   └── 管道与重定向
│
├── 进阶层
│   ├── 正则表达式
│   ├── Shell脚本编程
│   ├── 进程管理
│   └── 网络工具
│
├── 专业层
│   ├── Git/GitHub CLI
│   ├── Docker/Kubernetes CLI
│   ├── 云服务CLI（AWS/GCP/Azure）
│   └── 数据库CLI
│
└── AI Agent层
    ├── Claude Code
    ├── Gemini CLI
    └── 自定义CLI工具开发
MCP技能树
MCP技能树
├── 基础层
│   ├── MCP协议规范
│   ├── 四种原语理解
│   ├── Host/Client/Server架构
│   └── JSON-RPC基础
│
├── 开发层
│   ├── Python SDK
│   ├── TypeScript SDK
│   ├── Server开发
│   └── Client开发
│
├── 集成层
│   ├── Claude Desktop集成
│   ├── Cursor集成
│   ├── 自定义Host开发
│   └── 多Server管理
│
└── 高级层
    ├── 安全与认证
    ├── 性能优化
    ├── 调试技巧
    └── 最佳实践

七、学习资源大全

7.1 MCP学习资源

官方资源
资源名称链接说明
MCP官方网站modelcontextprotocol.io最权威的资料
MCP规范spec.modelcontextprotocol.io协议定义
MCP GitHubgithub.com/modelcontex…官方实现
MCP文档（中文）mcpcn.com社区翻译
开发教程
资源名称链接说明
零基础构建MCP服务器阿里云开发者社区TypeScript/Python双语言
MCP开发案例合集掘金typescript-sdk + python-sdk
Claude技术指南yeasy.gitbook.io/claude_guid…完整教程
MCP开发实践Jimmy Song博客示例代码
社区资源
资源名称链接说明
Awesome-MCP-ZHgithub.com/yzfly/Aweso…中文资源精选
Awesome MCP Serversgithub.com/punkpeye/aw…Server列表
MCP中文社区mcp.csdn.net技术社区
MCP Servers市场glama.ai/mcp/servers200+服务器
视频教程
资源名称平台说明
MCP入门教程Bilibili中文视频
Claude Code教程YouTube官方教程
MCP开发实战Udemy付费课程

7.2 CLI学习资源

基础教程
资源名称链接说明
Linux命令行大全书籍系统学习
鸟哥的Linux私房菜书籍中文经典
Shell脚本编程书籍进阶学习
命令行艺术github.com/jlevy/the-a…GitHub高星
AI Agent CLI工具
工具名称链接说明
Claude Codeclaude.ai/codeAnthropic官方
Gemini CLIgithub.com/google-gemi…Google开源
GitHub CLIcli.github.comGitHub官方
AWS CLIaws.amazon.com/cli/AWS官方
kubectlkubernetes.io/docs/refere…K8s官方
实战教程
资源名称链接说明
Claude Code核心CLI命令Apifox详细教程
Gemini CLI教程Google Codelab官方教程
2026 AI编程终极套装博客园综合对比
CLI AI编程工具Datawhale开源教程

7.3 对比分析资源

资源名称链接说明
MCP vs CLI技术分析ones.com.cn深度对比
CLI为何优于MCPCSDN详细分析
MCP vs CLI基准测试ScaleKit数据支撑
从MCP到CLI知乎趋势分析

7.4 社区与论坛

社区名称链接说明
Claude AI Redditwww.reddit.com/r/ClaudeAI英文社区
MCP中文社区mcp.csdn.net中文社区
AI Agents Redditwww.reddit.com/r/AI_Agents英文社区
掘金AI专区juejin.cn中文社区

八、总结：没有银弹，只有适配

8.1 核心结论

通过对比两篇文章，我们可以得出以下结论：

结论一：MCP和CLI各有优劣，没有绝对的赢家

维度MCP优势CLI优势
标准化✅ 统一协议❌ 缺乏标准
跨平台✅ 协议屏蔽差异❌ 命令不同
工具发现✅ 动态发现❌ 需预知
Token成本❌ 高✅ 零
延迟❌ 高✅ 低
认证❌ 碎片化✅ 系统级
可组合性❌ 差✅ 强

结论二：场景决定选择

决策流程图：

开始
  │
  ▼
是否需要跨模型兼容？
  │
  ├─ 是 ──▶ 是否需要企业级安全合规？
  │           │
  │           ├─ 是 ──▶ 选择MCP
  │           │
  │           └─ 否 ──▶ 工具数量是否<10个？
  │                       │
  │                       ├─ 是 ──▶ 选择MCP
  │                       │
  │                       └─ 否 ──▶ 选择CLI
  │
  └─ 否 ──▶ 是否追求极致性能？
              │
              ├─ 是 ──▶ 选择CLI
              │
              └─ 否 ──▶ 是否是个人开发者？
                          │
                          ├─ 是 ──▶ 选择CLI
                          │
                          └─ 否 ──▶ 根据具体情况选择

结论三：趋势在变化

时间段主流观点代表事件
2024年底MCP是未来Anthropic发布MCP
2025年上半年MCP生态爆发GitHub上5000+MCP Server
2025年下半年质疑声出现Token成本问题凸显
2026年3月CLI开始反攻Perplexity放弃MCP

8.2 给开发者的建议

  1. 不要盲目追热点：MCP曾经很火，现在被质疑，但它的核心价值（标准化）仍然存在

  2. 理解本质：AI Agent与工具交互的本质是什么？

    • MCP：通过协议层标准化交互
    • CLI：直接执行命令，零开销

  3. 保持学习：技术变化快，持续学习是唯一不变的原则

  4. 实践出真知：不要只看文章，要动手实践

    • 尝试用CLI构建一个简单的AI Agent
    • 尝试开发一个简单的MCP Server
    • 对比两者的体验

8.3 写在最后

从MCP的爆红到被嫌弃，我们看到了AI领域的一个普遍规律：过度工程化是创新的天敌。

MCP试图为AI建立一套完美的"礼仪规范"，但一线的创新者们当下最迫切的需求是"极致效率"。Perplexity将搜索、模型、嵌入打包成"全栈API"的做法，正是试图跳过复杂的中间协议层，直接掌控底层基座。

但这并不意味着MCP没有价值。标准化是规模化应用的前提，只是标准化的时机和方式需要斟酌。

对于开发者来说，最重要的不是选择MCP还是CLI，而是理解问题本质，选择最适合当前场景的方案。

参考资料

  1. 从爆红到被嫌弃，MCP为什么开始失宠了 - 掘金
  2. MCP协议：终结AI Agent"手写接口"时代 - CSDN
  3. MCP官方文档
  4. CLI为何优于MCP：AI智能体的终极交互范式 - CSDN
  5. MCP vs CLI: Benchmarking AI Agent Cost & Reliability - ScaleKit
  6. Awesome-MCP-ZH - GitHub
  7. Gemini CLI - GitHub
  8. Claude Code - Anthropic
  9. Perplexity CTO宣布弃用MCP - Reddit
  10. 从MCP到CLI：AI Agent的接口之争 - 知乎

作者声明：本文基于公开资料整理，观点仅供参考。技术选择需结合具体场景，欢迎在评论区讨论交流。

如果觉得有帮助，请点赞👍收藏⭐支持一下！

avatar
文章
阅读
粉丝