AI代理的CLI令牌效率
一项详细分析认为,尽管MCP进行了诸如延迟工具等改进,但在许多场景下,CLI仍然比MCP更适合AI代理。CLI在熟悉命令、本地运行和令牌节省方面表现出色,而MCP则适用于多用户环境、可审计系统以及模型未知的工具。选择取决于具体情境。
Key insights
CLI优势:模型熟悉度、令牌效率、本地简洁性
像gh或kubectl这样的CLI命令在模型训练期间已被学习,无需注入模式——仅消耗几十个令牌。本地执行简单直接,通过管道进行流水线组合效果良好,CI/CD集成也很自然。当模型知道命令时,CLI特定模式的令牌开销几乎为零。
MCP优势:结构化模式、可审计性、工具发现
MCP为工具参数提供标准化的JSON模式,支持机器验证的调用。它支持OAuth等认证协议,适用于多用户环境。通过标准化的追踪头,审计更加容易。tools/list接口允许代理动态发现可用工具,这对于工具集不断演进的平台来说是一个关键优势。
延迟工具缩小了MCP与CLI的差距,但并未超越
通过延迟工具(defer_loading: true),MCP可以仅提供工具名称和简要描述,按需加载模式,从而将初始上下文中的工具定义开销减少约85%。这降低了MCP的令牌劣势,但并未超越CLI在已知工具上近乎为零的模式成本。
模型工具调用改进对两者都有利,但MCP获益更多
随着模型在构建命令(CLI)和处理结构化模式(MCP)方面变得更好,两者都得到改进。然而,MCP获益更多,因为CLI的主要优势在于模型的先验知识;随着模式学习的改进,差距缩小。对于不熟悉的工具,MCP的结构化接口变得越来越有价值。
基于场景的CLI与MCP推荐
CLI更适合以下情况:模型已知工具、本地执行、流水线任务、令牌节省、调试、使用固定命令的CI/CD。MCP更适合以下情况:无终端访问(浏览器/移动端)、多用户认证、未知工具、审计/法规合规、动态工具发现。对于复杂的跨服务编排(例如,测试→Jira→Slack),MCP的链式调用具有优势。