企业级 AI Agent：彻底说清 MCP、CLI、Skills，如何定位、该怎么选、最佳实践。

📌 一句话摘要

本文系统梳理了企业级 AI Agent 中 MCP、CLI、Skills 三种能力扩展方式的定位、适用场景与组合实践，强调三者应各司其职而非互相取代。

📝 详细摘要

文章从企业 Agent 进入生产环境后的实际挑战出发，深入分析了 MCP、CLI、Skills 三种能力扩展方式的核心定位与最佳实践。MCP 的核心价值是标准化连接外部系统，适合需要身份、权限、审批等治理的企业系统集成；CLI 的核心价值是贴近本地工作现场，适合在本地环境执行已有命令，更轻量且节约 token；Skills 的核心价值是复用组织知识，将指令、SOP、模板等打包成可复用的知识包。文章通过代码发布审查 Agent 的案例展示了三者的组合应用，并提出了 PTC（Programmatic Tool Calling）模式来提升多工具编排效率。文章还批判了「CLI 取代 MCP」的极端观点，指出省 token 的关键在于受控输出和结果摘要，而非工具形式本身。最后介绍了「Skills over MCP」的前沿方向，即通过 MCP 通道获取与工具配套的流程编排和使用规则。

💡 主要观点

- MCP、CLI、Skills 解决三类不同问题，应各司其职而非互相取代。 MCP 负责标准化连接外部系统，CLI 负责本地执行效率，Skills 负责沉淀组织经验与 SOP。三者有功能重合，但核心定位不同，企业场景下应组合应用。

MCP 不应做成 REST API 镜像，应面向任务目标封装聚合工具。 将每个 REST 端点映射为一个 MCP Tool 会导致上下文膨胀和模型选择困难。更好的方式是提供「服务台」模式，先检索再调用，或封装面向任务的聚合工具。

CLI 省 token 的关键是受控输出和结果摘要，而非工具形式本身。 CLI 通过命令侧过滤、聚合、截断等方式只返回高密度结果，从而节约 token。如果只是简单使用 CLI 形式而不做输出控制，同样会成为上下文噪声入口。

Skills 的核心价值是固化工作方法，而非充当知识库。 Skills 适合沉淀任务流程、边界、模板和校验规则，而非大量背景知识。合理的 Skill 形态是「短主体 + 参考资料 + 模板 + 脚本」，避免变成难以维护的「屎山 Skill」。

PTC 模式可显著提升多工具编排效率，但需在受控环境下执行。 PTC 让 Agent 先生成编排代码，在沙箱中一次性调用多个工具并汇总结果，减少对话轮次和上下文噪声。适合流程稳定、依赖清晰、权限可控的多工具任务。

💬 文章金句

- Skills 的核心价值是复用组织知识。它解决的是 know-how，即'某一类专业任务如何稳定完成与产出'的问题；而不是'怎样接入一个新系统'的问题。

• MCP 的设计重点不是简单的'把系统能力全部暴露出来'，这会增加模型的推理负担，很容易产生结果漂移。而是尽量从目标任务出发，封装可靠的工具与资源调用。
• 省 token 的不是 CLI 这个形式（至少不仅仅是），还需要结合受控输出、结果摘要和最小化必要信息。
• Skills 也不是 RAG 的替代品。RAG 适合处理大量知识的检索和问答；Skill 适合固化任务流程、边界、模板和校验方式。
• 真正值得关注的不是 MCP、CLI、Skills 谁取代谁，而是企业 Agent 进入生产环境后，能力扩展已经不再是'多接几个工具'这么简单。

📊 文章信息

AI 初评：88

来源：AI大模型应用实践

作者：AI大模型应用实践

分类：人工智能

语言：中文

阅读时间：19 分钟

字数：4644

标签： MCP, CLI, Skills, AI Agent, 企业级应用

阅读完整文章