为什么越来越多的大厂抛弃MCP,转向CLI?
近期,AI技术圈关于“MCP已死,CLI称王”的讨论日益激烈。从Perplexity CTO公开宣布放弃MCP,到Y Combinator CEO直言其体验糟糕,再到飞书、钉钉、企业微信等大厂纷纷选择基于CLI构建工具生态,一场关于AI Agent与外部世界交互方式的范式转移正在发生。这一转变的核心在于开发者在实际落地过程中对性能、安全性与维护成本的重新权衡。
01MCP的架构困境:上下文与安全的双重挑战
MCP(Model Context Protocol)曾被视为解决AI模型与外部工具沟通的标准方案,旨在通过统一的协议将各类工具包装成模型可调用的函数。然而,其采用的客户端-服务器架构在实际应用中暴露出显著的性能瓶颈。
- Token消耗巨大
MCP采用“全量加载”机制,启动时需将所有工具的定义、名称、描述及参数Schema全部塞入模型的上下文窗口。实测显示,连接3个MCP Server仅工具定义就占用约143K token,在200K token的模型上,72%的上下文被工具定义占据。这不仅导致成本高昂,还引发了“上下文腐烂”现象,即工具越多,模型的选择准确率反而从43%下降至14%以下。 - 运维与稳定性问题
MCP涉及多进程与网络边界,Server启动失败、认证流程繁琐(需分别处理OAuth2、API Key等)以及排查困难等问题频发。有开发者指出,配置MCP所耗费的时间往往超过编写业务代码的时间。 - 固有安全风险
CoSAI发布的《MCP安全白皮书》指出,MCP引入的架构级安全风险难以通过补丁解决。研究发现,公网上有近7000个暴露的MCP服务器,约半数缺乏授权控制。此外,Cloudflare的“Block AI Bots”设置默认会阻止Anthropic后端访问MCP端点,导致连接中断。
02CLI的崛起:回归Unix哲学的按需加载
与MCP的“开局全塞”不同,CLI(命令行界面)采取了“按需加载”的策略。AI Agent像人类开发者一样,通过执行如“gh --help”等命令动态探索可用功能,仅在需要时获取具体参数。这种机制大幅降低了初始Token消耗,实测表明CLI方案比MCP方案便宜17倍,且可靠性接近100%。
- 管道组合能力
CLI直接支持Unix管道(Pipe),Agent可以通过“|”符号串联多个命令完成复杂的后处理任务,无需编写额外的胶水代码,极大提升了灵活性。 - 原生数据优势
LLM的训练数据中包含了大量的Unix文档、Shell脚本和Stack Overflow回答,模型天生熟悉git、curl、docker等命令,无需复杂的Schema定义即可上手。 - 标准化调试体系
CLI拥有成熟的身份验证机制、标准错误码及输出格式。当AI执行出错时,工程师可直接在终端复现指令进行排查,而非在黑盒架构中翻阅JSON日志。
03大厂实践与未来趋势:混合架构或成主流
目前,飞书开源了涵盖11个业务领域的官方CLI,Google推出了gws CLI,Zilliz也发布了用于管理向量数据库的CLI工具。这些大厂的选择印证了“CLI + Skills”模式正在成为企业级Agent工具的默认选项。这种模式赋予AI更强的执行能力,因为CLI的命令清晰、无歧义且易于自动化。
MCP vs CLI 适用场景分析
标准化与复杂集成
需要跨平台工具共享与标准化协议
涉及多Agent协作的复杂场景
需要高度结构化与封装的远程调用


性能与自主探索
追求极致性能与低成本运行
需要Agent具备自主探索与学习能力
要求高稳定性与低维护成本
尽管CLI优势明显,但MCP并非完全失去价值。业界正出现一种混合架构趋势:利用mcpkit或unmcp等桥接工具,将MCP Server转换为CLI命令。在这种架构下,高频、简单的执行任务交由CLI处理,而复杂、需标准化集成的场景仍保留MCP。对于大多数开发者而言,2026年最务实的选择将是“CLI + Skills”的组合模式。
当前文章无评论,是时候发表评论了