CLI 和 MCP 到底差在哪？我用飞书工具把它们各跑了一遍

 

 

最近把飞书的接口分别接成 CLI 和 MCP 各跑了一轮，把心得记下来。网上讲这个话题的文章不少，多数绕一圈还是没说清区别在哪。我的版本一句话能讲完：CLI 是给模型一本需要时才翻的说明书，MCP 是把整面工具墙直接摊在它面前。

 

 

先说 CLI 这条路。模型并不知道命令行能干什么，你得提前在 System Prompt 里塞一份 Skills 文档，写清楚什么时候用哪条命令，再补一句「不会用就 --help」。比如飞书这边的写法：

 

 

当用户要读飞书文档时，使用：

feishu doc get --id <doc_id>

当用户要搜索 Wiki 时，使用：

feishu wiki search --q <keyword>

输出通常是 stdout / JSON

 

 

真到执行时，模型凭记忆翻出说明书里对应那一段，照着示例拼参数，交给 bash 跑。这条路能成立的原因很朴素：文本是模型最熟悉的形式，命令示例在预训练语料里到处都是，它「背」这部分内容成本很低。而且 Skills 是按需读的，这次用到哪段才把哪段放进上下文。

 

 

MCP 是反过来的做法。Server 把所有工具的 name、description、input_schema 一次性全部暴露给模型，模型边读边决定调哪个。好处是模型对工具的理解是结构化的，做组合任务时不容易瞎拼，参数也有校验兜底。

 

但这份「便利」有账单。连接一个 Server 之后，它暴露的 tools，有时还连带 resources 和 prompts，整体都进了模型可见范围。我实测过一个场景：这次任务只用到 2 个 tool，其它几十个的 Schema 也跟着挤进上下文。同样调 3 个工具，CLI 方案几百 token 的 Skills 就够，MCP 得塞进去几 k token 的 Schema 表，差距在几十倍量级。上下文预算紧的 Agent，这笔开销不能装看不见。

 

怎么选，我给自己定的几条线：工具少、就那几条常用命令，用 CLI，轻、按需加载；要跨一堆服务、工具数量大，MCP 的结构化 Schema 更稳；安全边界上 CLI 依赖 shell 隔离，MCP 只暴露有限 tool、面更可控；稳定性上 CLI 靠 prompt 加命令补全硬撑，MCP 有参数校验。

 

 

还有一点容易被忽略：Agent 产品化之后，这两者经常是同一套底层能力的两套入口。终端给开发者和 CI，跑多少次都不会乱；MCP 给 Agent，用结构化 Schema 减少拼错。底层干活的都是同一份 API。

 

所以「到底用哪个」这个问题本身就问窄了。现实里两者共存不互替，把外部能力组织好、把说明书分层分好，比站队重要得多。Agent 这件事，能调工具只是及格线，知道什么时候调、调哪个、参数怎么填，才算会用。

 

工具怎么放，比工具有多少更值得花心思。

 

如果你正在为团队梳理 AI Agent 的工具接入方案，不想在 CLI 和 MCP 之间踩坑，可以把这件事交给云巴巴聊聊。云巴巴是国内领先的企业数智服务平台，覆盖 AI 大模型、智能体、协同办公、营销获客、安全合规等多个领域的企业级产品与方案，能按你的行业、规模和预算比对选型、匹配资源、协助落地。欢迎咨询云巴巴，获取更多产品方案与专属服务。