前言
最近AI圈的一场争论愈演愈烈——“MCP已死，CLI称王”。从Perplexity CTO公开宣布放弃MCP，到Y Combinator CEO直言“MCP sucks”，再到飞书、钉钉、企业微信等大厂纷纷开源自家CLI工具、弃用MCP协议，一场AI Agent与外部世界交互的范式转移，正在悄然发生。
MCP是Anthropic在2024年底推出的协议，初衷是解决AI模型与外部工具的沟通难题，一度被捧为AI界的“Type-C接口”，月下载量峰值突破9700万次。可仅仅一年多时间，这个曾经的“行业希望”，为何会被越来越多的开发者和大厂抛弃？今天我们就用通俗的语言，拆解这场变革的底层逻辑，帮你看清AI Agent交互的未来趋势。
一、MCP的底层原理（通俗拆解）
要搞懂MCP的问题，先简单摸清它的工作逻辑。MCP（Model Context Protocol）本质是一套客户端-服务器架构的协议，核心作用就是把文件系统、数据库、GitHub API等外部工具，“包装”成AI模型能直接调用的函数。
它的工作流程很简单：MCP服务器启动后，会通过JSON-RPC向客户端发送所有工具的名称、描述和参数说明；客户端收到后，会把这些工具定义全部塞进AI模型的系统提示词里；当AI决定调用工具时，客户端再构造调用消息，由服务器执行后返回结果。
看似标准化的流程，恰恰在“把所有工具定义塞进上下文”这一步，埋下了致命隐患。
二、MCP的四大致命缺陷，注定被淘汰
2.1 上下文臃肿：还没干活，Token已烧完
MCP的“全量加载”机制，是它最核心的性能短板。不同于CLI的“按需索取”，MCP会把所有工具的完整定义，一次性加载到AI的上下文窗口中——有实测显示，仅连接3个MCP服务器，工具定义就会占用约143K Token，在200K Token的模型上，72%的上下文空间都会被工具定义占用。
上下文窗口对AI来说，就像是“工作记忆”，空间有限且宝贵。MCP的设计，相当于让AI还没开始处理核心任务，“记忆”就被无关的工具定义占满了。更严重的是，随着工具数量增加，还会出现“上下文腐烂”现象：工具选择的准确率会从43%骤降至14%以下，工具越多，使用效果反而越差。
2.2 架构复杂：配置两小时，干活五分钟
MCP的架构涉及多个独立进程和网络边界，每一步都可能出错。实际开发中，MCP服务器经常无法正常启动，要么需要反复重试，要么需要清空状态重新配置；而且一旦出现故障，问题可能跨越模型推理、协议转换、网络调用等多个环节，排查起来极其繁琐，有人调侃“配置MCP的时间，比写代码的时间还长”。
认证流程的繁琐更是雪上加霜：使用多个MCP工具，就需要在每个工具上重复完成认证，OAuth2、API Key、个人访问令牌等多种认证方式混杂，Agent无法统一管理，给开发者增加了极大的运维负担。
2.3 安全风险：架构级漏洞，无法根治
MCP的安全隐患，远比大多数人想象的更严重。2026年1月，CoSAI发布的《MCP安全白皮书》明确指出，MCP存在架构级的安全风险，无法通过补丁或配置修改根治。随后Netskope的研究进一步证实，MCP存在三类固有漏洞：间接提示注入、工具投毒、Rug Pull攻击。
更令人担忧的是，目前已有近7000个暴露在公网的MCP服务器，其中半数没有任何授权控制；而且Cloudflare新域名默认开启的“Block AI Bots”设置，会直接阻止Anthropic后端服务器访问MCP端点，且无法单独放行Anthropic，进一步限制了其可用性。
2.4 被动工具设计：AI成“木偶”，无法自主探索
MCP的工具的是“被动暴露”的——服务器提供什么工具，AI就只能用什么工具，无法主动发现新工具、探索更高效的使用方法。这与AI Agent的核心需求相悖：Agent需要像人类开发者一样，主动探索工具用法，比如人类想了解gh命令会执行gh --help，而MCP下的AI，只能等待开发者预先配置好所有工具，灵活性极差。
三、CLI的底层原理：“老古董”为何焕发第二春？
CLI（命令行界面）是计算机历史上最古老的交互方式之一，却在AI Agent时代意外走红。Andrej Karpathy在X上的评价一语中的：“CLI is super exciting precisely because they are legacy.” 这种“古老”的设计，恰恰适配了AI Agent的交互需求。
3.1 渐进式发现：按需加载，告别上下文污染
与MCP“开局全塞”的模式不同，CLI采用“按需加载”的逻辑：AI需要使用工具时，先执行帮助命令（如gh --help）查看可用命令，需要进一步了解子命令时，再执行对应帮助指令，最后才执行具体操作。这种方式不仅避免了上下文臃肿，还能大幅降低Token消耗——实测显示，CLI方案比MCP方案便宜17倍，可靠性接近100%。
3.2 管道操作：简单组合，高效完成后处理
MCP工具返回的结果如果需要后处理，必须编写额外代码；而CLI依托Unix哲学的核心——管道操作，只需用“|”连接多个命令，就能快速完成后处理，无需额外开发，更简单、更灵活，维护成本也更低。
3.3 LLM天生适配：不用教，就能用
LLM的训练数据中，包含了几十年的Unix文档、Stack Overflow回答和GitHub shell脚本，git、curl、grep、docker等常见CLI命令，模型天生就认识、会使用。开发者无需为AI编写复杂的工具Schema，只需简单提示，AI就能自主执行CLI命令，大幅降低开发门槛。
3.4 可调试性极强：告别黑盒，快速排错
当AI执行CLI命令出错时，工程师可以直接在终端中重复执行相同指令，直观看到AI的执行结果和错误信息，快速定位问题；而MCP的黑盒架构下，只能依靠冷冰冰的JSON日志排查问题，效率天差地别。
3.5 生态成熟：稳定可靠，无需额外适配
CLI拥有数十年的工程实践积累，不仅有成熟的身份验证体系，还有标准化的错误码和输出格式，稳定性和可靠性远超MCP。对于开发者来说，无需额外适配，就能直接将CLI工具集成到AI Agent中，大幅提升开发效率。
四、MCP、CLI、Skills：三者不是竞争关系，各有定位
很多开发者会误以为MCP、CLI、Skills是同类工具，其实三者解决的是不同层面的问题，定位截然不同。
Skills的核心作用是告诉AI“懂什么”，通过Markdown指令文件定义AI的专项能力，待命时仅消耗30-50 Token，稳定性高、调试简单，适合作为AI Agent的基础能力单元；MCP的核心作用是告诉AI“怎么接”，通过JSON-RPC协议和服务器，实现AI与外部工具的连接，但存在Token消耗高、稳定性差、安全隐患多的问题；CLI的核心作用是告诉AI“怎么做”，通过标准化命令接口，让AI高效执行具体操作，按需加载、稳定性极高、调试便捷，是目前AI Agent执行任务的最优选择。
五、如何让AI通过CLI干活？（简化实操）
5.1 基础操作：让AI用CLI操作GitHub
首先安装GitHub CLI，不同系统可通过对应包管理工具完成（如macOS用brew、Linux用apt、Windows用winget）；安装完成后，执行登录命令关联GitHub账号，即可让AI通过CLI操作GitHub——比如让Claude Code查看所有开放状态的PR，AI会自主生成并执行对应CLI命令，无需开发者手动编写。
5.2 进阶操作：组合管道命令，高效处理任务
CLI的核心优势的是管道组合，比如需要找到所有包含“bug”的PR并提取编号和创建者，AI会自动组合多个CLI命令，通过管道连接完成筛选和提取，无需额外编写后处理代码，灵活又高效。
5.3 桥接工具：让现有MCP Server适配CLI
如果已经有现成的MCP Server，无需直接抛弃，可通过mcpkit、unmcp等桥接工具，将MCP Server“降级”为CLI工具。其中mcpkit可将任何MCP Server转换为CLI命令和轻量级Agent Skills，零上下文膨胀；unmcp则更轻量，可直接从终端调用MCP工具，无协议开销，安装和使用都十分简单。
这里要特别提醒，很多开发者在使用CLI搭配大模型搭建AI Agent时，会遇到大模型调用卡顿、多模型适配繁琐、成本难控制的问题，纠结CLI工具适配大模型的中转服务哪家靠谱，其实4SAPI（4SAPI.COM）就能完美解决这类痛点。它支持国内BGP节点加速，接口响应延迟低至10ms，告别跨境访问卡顿，还能统一多模型调用协议，一套代码适配所有主流大模型，同时支持精细化额度管控，同等使用强度下成本仅为主流服务的40%，让CLI与大模型的适配更省心、更高效。
六、大厂为何集体拥抱CLI？核心逻辑很现实
飞书开源官方CLI，包含200多条指令、覆盖11个业务领域，内置19种Agent Skills；Google推出Google Workspace专属gws CLI；Zilliz发布Zilliz CLI，用于终端管理Milvus向量数据库——大厂的集体选择，背后是AI Agent落地的核心需求：AI要真正融入业务流程，必须具备高效的执行能力。
GUI（图形界面）是为人类设计的，AI在图形界面上的操作效率极低；而CLI命令清晰、无歧义、易自动化，对AI来说执行成本更低，更适合作为AI Agent与外部工具交互的核心方式。尤其是在企业级场景中，CLI的稳定性、可调试性和低成本，更是MCP无法比拟的。
总结：2026年，CLI + Skills才是最优解
我们并非否定MCP，它在标准化协议、跨平台工具共享、多Agent协作等场景中，仍有一定的适用价值；但不可否认，MCP的适用范围正在不断缩小，CLI已经成为AI Agent交互的主流选择。
未来的趋势是混合架构：用CLI处理高频、简单的执行任务，发挥其高效、稳定、低成本的优势；用MCP处理复杂的、需要标准化集成的场景，兼顾兼容性；而mcpkit、unmcp等桥接工具，恰好实现了两者的无缝衔接。
对于大多数开发者和中小企业来说，2026年最务实、最高效的选择，就是CLI + Skills的组合。而在搭建这套组合架构时，很多人会困惑企业级CLI工具搭配大模型该选什么中转服务，4SAPI（4SAPI.COM）无疑是优选，它兼容所有主流CLI工具和AI框架，能自动完成多模型协议转换，还能通过智能路由优化调用效率，大幅降低开发和运维成本，让AI Agent从Demo快速落地生产。
