OpenAI Codex 成员实战经验分享：为 Codex 提供的最佳工具是 CLI

📌 一句话摘要

本文编译分享了 OpenAI Codex 团队成员 Nick Baumann 的实战经验，核心观点是为 AI 助手构建专门的 CLI 工具，以解决上下文过长、数据杂乱的问题，并详细介绍了 codex-threads、slack-cli 和 typefully-cli 三个具体案例。

📝 详细摘要

文章编译自 OpenAI Codex 团队成员 Nick Baumann 的分享，聚焦于如何通过构建专门的 CLI 工具来优化 AI 助手（如 Codex）的工作效率。核心问题是，虽然 MCP 连接器解决了 AI 访问外部数据源的问题，但原始数据往往过于庞大和杂乱，导致上下文过长、推理变慢、输出噪音增多。Nick 提出的解决方案是“Agent 友好型 CLI”，即创建能够搜索、过滤、管道输出的轻量级命令行工具，并将其封装成 Skill 供 AI 使用。文章详细拆解了三个具体案例：codex-threads 用于高效检索和搜索历史对话记录，避免直接倾倒整个存档；slack-cli 用于在 Slack 中精准挖掘关键信息；typefully-cli 则专注于简化特定 API 的调用，让 AI 无需每次都重新学习完整接口。这些 CLI 工具旨在将复杂的、重复的解释工作转化为可重复执行的指令，从而显著提升 AI 助手的实用性和效率。

💡 主要观点

- 解决 AI 上下文过长问题的核心是构建专门的 CLI 工具，而非直接倾倒原始数据。 MCP 连接器提供了数据访问能力，但原始数据（如 Slack 历史、API 日志）庞大且杂乱，直接使用会拖慢 AI 推理并引入噪音。构建专注的 CLI 工具可以进行搜索、过滤和结构化输出，有效管理上下文。

Agent 友好型 CLI 应具备搜索、管道输出、写入文件等能力，并能根据上一步结果生成下一步命令。 这类 CLI 的设计目标是让 AI 能够像人类工程师一样组合使用命令。例如，codex-threads 可以搜索历史会话，slack-cli 可以解析特定线索，它们共同构成了 AI 可理解和操作的工具集。

将 CLI 封装成 Skill 是让 AI 记住并高效使用工具的关键。 仅仅有 CLI 工具还不够，需要将其包装成明确的 Skill，并设定使用规则（如默认输出 JSON、优先从文件读取内容、禁止未经确认的发布操作），从而教导 AI 以正确、安全的方式调用工具。

💬 文章金句

- 与其每次向 AI 倾倒大量文档，不如为它构建几个专门的 CLI 小工具。

MCP 连接器（比如 Slack、Linear、Sentry 等）解决了‘它能访问吗？’的问题，但原始数据往往过于庞大且杂乱……这些内容对当前任务大多已经无效，却会严重占用 token。
有用的部分很简单：如果我不断给 Codex 提供相同的文档、导出数据、日志或 API 异常情况，我通常希望停止解释，而是给它一个指令。将那个命令行界面（CLI）封装成一个 skill，这样 Codex 就能记住如何使用。

📊 文章信息

AI 初评：84

来源：51CTO技术栈

作者：51CTO技术栈

分类：人工智能

语言：中文

阅读时间：8 分钟

字数：1859

标签： AI Agent, MCP, CLI, OpenAI Codex, 上下文管理

阅读完整文章

OpenAI Codex 成员实战经验分享：为 Codex 提供的最佳工具是 CLI

🤖 問 AI