如果回望 2025 年上半年，AI 圈最火的技术关键词无疑是 MCP (Model Context Protocol)。彼时，行业内满怀希望地为智能体定义 Schema，构建 JSON-RPC 服务，试图为 AI 打造一套标准化的能力连接协议。
然而，时间来到 2026 年初，技术圈的热点正在悄然发生偏移。
最近，一个名为 OpenClaw（其前身是火遍全网的 Moltbot/Clawdbot）的开源项目，用一种极其'复古'的方式给所有人上了一课。其作者 Peter Steinberger 提出了一个极其犀利的观点：与其费力去对齐协议，不如直接回归 CLI（命令行）。
在 OpenClaw 的世界里，要让智能体获得一项新能力——无论是控制智能家居、管理 WhatsApp 消息，还是操作云服务器——秘诀只有一个：写一个 CLI。
作者发现，只要有一个带有 --help 的工具，智能体就能自发掌握它。在经历了一整年的协议崇拜后，这种'低摩擦'的命令行工具，是否才是智能体操作现实世界的最佳方案呢？在 GUI 为了人类进化了 40 年后，CLI 是否正在因为 AI 而迎来一场'文艺复兴'？它会是 AI 连接世界的终极接口吗？在这篇文章中，我们就来简单探讨一下。
语义对齐：为什么智能体更倾向于 CLI？
智能体（Agent）和人类不同，它不需要精美的图形界面（GUI），它需要的是能够被理解的逻辑边界。
自描述的帮助文档即'自然语言指令'
人类觉得 CLI 难用，是因为人类记不住参数。但对于以 LLM 为内核的智能体来说，CLI 简直是量身定制的。
智能体拿到一个新工具 my-tool，它会自发运行 my-tool --help。这份吐出的文档，本质上就是一份零噪音、高密度、且包含示例（Few-shot）的 Prompt。智能体不需要任何预配置，在阅读文档后的那一秒，它就学会了如何操作这个工具。在 AI 时代，写好 --help 文档，比写好 UI 界面更重要。
Unix 哲学的'动作组合性'
Unix 哲学的核心是'只做一件事，并把它做好'，通过管道（Pipe）进行组合。这与智能体的**思维链（Chain of Thought）**逻辑高度契合。
用户指令：'分析最近一周的错误日志并推送到飞书。' 智能体决策： ```bash log-fetch --days 7 | grep "ERROR" | feishu-send --channel #ops
智能体不需要你编写复杂的集成逻辑，它只需要像玩积木一样，通过编排/串联原子化的 CLI 工具就能实现复杂的自动化目标，这就是**涌现能力**的来源。
### 深度辨析：有了 CLI，为什么我们依然需要 MCP？
在实际开发中，你可能会产生怀疑：*'既然 CLI 也能输出 JSON 结果，也能实现逻辑复用，那 MCP 的护城河到底在哪里？'*
这正是架构师最容易产生误区的地方。如果你只是追求'获取数据'或'执行动作'，`cli --json` 确实已经足够强大。但要构建**工业级**的自主智能系统（Agentic System），MCP 拥有 CLI 无法替代的三个核心特征：
#### 从'盲摸'到'自报家门'：发现机制的代差
- **CLI 模式：** 智能体必须预先知道 `ls`、 这些命令名。如果你的系统环境里有 1,000 个工具，你不可能把所有命令名都塞进 Prompt，这会导致严重的 Context 溢出和注意力稀释。
拥有标准的 Discovery（发现）机制。当智能体连接到一个 MCP Server 时，Server 会主动上报一份精简的'能力清单'。这是机器与机器之间（M2M）的元数据对齐，比智能体在 Shell 里'瞎撞'要高效且精准得多。
它是瞬时的、原子化的动作。
它能将一个持续更新的数据库表、一个实时日志流、甚至一个远程设备状态抽象为一个 URI。MCP Server 还可以为这些资源提供'动态提示词模板'，它不仅给 AI 数据，还告诉 AI '针对这组数据，你当前应该关注哪些风险点'。这种的打包分发方案，是 CLI 无法实现的。
赋予智能体 Shell 权限意味着你把'核武器'交给了它。它可能在修复 Bug 时，因为一个幻觉顺手运行了 。
它是代理（Proxy）架构。
你可以定义此 Server 只能 资源，严禁任何写操作。
你的 MCP Server 一旦写好，可以无缝挂载到 Claude 网页版、Cursor、甚至自建的机器人中，无需在对应宿主机上安装任何二进制程序。这种'即插即用'的可移植性和安全性，是传统 CLI 无法比拟的。
在构建 AI Agent 时，建议遵循以下选型逻辑：
选 CLI 模式的场景（个人/Hack 模式）：
快速打通物理世界：比如你想让 AI 控制一个没有 API 的智能台灯或老旧软件。
本地极速自动化：只有你一个人用，追求极致的开发效率，不在乎严格的 Schema。
原则：'写个脚本就能搞定的事，别去写 Server。'
选 MCP 模式的场景（企业/生产模式）：
能力标准化：你的工具需要提供给整个团队、在不同的编辑器或平台间共享。
高风险环境：必须严格限制 AI 的动作边界，需要通过中间件进行审计和拦截。
复杂数据流：涉及跨系统（如 飞书文档 到 PostgreSQL）的结构化数据流转。
OpenClaw 的聪明之处在于：它避开了复杂的协议之争，用 CLI 解决了 AI'手脚'的问题，让 Agent 能够真正触碰到现实世界。
既然 CLI 这么重要，作为开发者，我们在编写 CLI 工具时需要注意什么？
答案是：
以前写 Help 是给人看的，现在是给 AI 看的。
AI 最擅长模仿。多给几个 ，AI 出错率会直线下降。
明确每个参数的意图，特别是那些有副作用的操作（如 ）。
除了给人看的文本输出，务必支持 参数。
aws ec2 describe-instances --output json
