这篇博客由 Kan Yilmaz 撰写，探讨了在 AI Agent 开发中，使用传统的 CLI（命令行界面） 替代目前流行的 MCP（Model Context Protocol，模型上下文协议） 如何能大幅降低 token 成本并提高效率。

以下是为你整理的 Obsidian 格式笔记，包含了清晰易懂的原理解释。

笔记：CLI vs MCP —— 如何让 AI Agent 运行成本降低 94%（读书笔记）

  • 来源: Kan Yilmaz Blog

  • 核心主题: 通过将 MCP Server 转换为 CLI 工具，利用“按需加载”替代“全量预载”，节省大量 Token。

  • 关键结论: 在典型的多工具场景下，CLI 方案比 MCP 节省约 94% 的 Token 支出。

1. 核心矛盾：MCP 的“说明书税”

目前 AI Agent 使用 MCP 协议时，存在一个隐形浪费：Token 预载成本。

  • MCP 的做法：在对话开始前，Agent 必须先读取所有可用工具的详细 JSON Schema（包括每个参数的名称、类型、描述）。

  • 代价：如果你有 80 多个工具，对话一启动就会瞬间消耗上万个 Token，仅仅是为了让 AI “记住”有哪些工具可用。

2. 为什么 CLI 和 MCP 功能一致？（通俗解释）

为了理解为什么可以用 CLI 替代 MCP，我们可以把 AI Agent 想象成一个“新入职的员工”：

  • MCP 模式 = “全量背诵”：

    在员工上班第一天，你把公司所有的 100 本操作手册全部拍在他桌上，让他全部背下来。即使他今天只需要修一个水龙头，他也得先预习完修电路、修电梯的所有说明书。

  • CLI 模式 = “查目录 + 翻书”：

    你只给员工一张简单的清单，上面写着：“修水管请看 A 柜，修电路请看 B 柜”。当员工发现水管坏了，他去 A 柜运行 pip-repair --help（查目录），瞬间看一眼修水管的几个参数，然后执行命令。

本质上： 两者都是工具的包装壳。MCP 是 JSON 格式的结构化协议，而 CLI 是文本格式的命令行。对于大语言模型（LLM）来说，它既能读懂 JSON，也能读懂命令行帮助文档（Help docs）。

3. 成本对比数据

作者以 6 个 MCP 服务、84 个工具为例：

阶段MCP (Token 消耗)CLI (Token 消耗)节省比例
会话启动~15,540 (全量 Schema)~300 (工具清单)98%
调用 1 个工具~15,570~91094%
调用 100 个工具~18,540~1,50492%

4. CLI 方案的优势

  1. 延迟加载（Lazy Loading）：只有当 AI 确定要用某个工具时，才会去请求该工具的具体用法（通过 --help），避免了无效的预加载。

  2. 模型通用性：Anthropic 虽然推出了针对 MCP 的 Tool Search 优化，但那是私有协议；CLI 方案对 GPT-4、Claude、DeepSeek 等所有模型都通用。

  3. 开发者友好：开发者可以使用 CLIHub 等工具直接将现有的 MCP Server 转换为 CLI。

5. 总结与启发

  • MCP 适合：工具数量极少、对结构化要求极严苛的场景。

  • CLI 适合：拥有大量工具（工具箱模式）、对 API 成本敏感、追求跨模型兼容性的 AI Agent 架构。

#Tags

#AIAgents #MCP #CLI #TokenOptimization #架构设计 #Obsidian #开发技巧