Agent-Callable CLI: 面向智能体的命令行范式

最近想清楚了一个思路:Agent-Callable Programmatic CLI——也就是把操作包装成 CLI,专门给 AI Agent 调用。

为什么用 CLI,而不是 MCP 或注册一堆工具?主要三个原因:

  1. 上下文成本低。MCP 的工具 schema 会常驻在上下文里,工具一多就很臃肿。CLI 不一样,Agent 需要时跑一下 --help 就能按需发现能力,天然就是渐进式披露。
  2. 可组合、可脚本化。CLI 能用管道串联、能写成脚本一次跑完几十个操作,比来回几十次工具调用省 token 得多。这也符合"让模型写代码调能力"的大方向。
  3. 人机同构。同一个 CLI,人能用、CI 能用、Agent 也能用,不用为 Agent 单独维护一套接口。

在这个基础上,整个方案其实是三层结构:

  • CLI 是能力层,定义"能做什么"。对 Unreal 这种有状态的重型软件,模式类似 kubectl:引擎作为常驻进程开着 Remote Control API,CLI 只是薄客户端,通过 RPC 跟它通信。
  • Skill 是知识层,负责"怎么做好"。--help 只能说明单个命令干什么,但工作流的先后顺序、要避的坑、项目约定,这些要靠

SKILL.md

来教,而且只在任务相关时才加载。

  • 子 Agent 是执行层,解决"谁来做、在哪个上下文里做"。比如建一个 Unreal 专用的 ue-operator:任务输出噪音大(几千行构建日志)时,它用自己的上下文窗口消化掉,只把结论带回主对话;系统提示词里还能预置领域专家知识,也方便做并行和权限隔离。

三层是叠加关系:CLI 定能力边界,Skill 注入领域知识,子 Agent 提供隔离的执行上下文。子 Agent 挂上 Skill,Skill 教的是 CLI,主 Agent 只需要下达高层指令就行。

怎么选?只有能力、命令自解释,纯 CLI 就够了;工作流有讲究,就加 Skill;任务长、噪音大、要并行或专家人格,再加子 Agent。真正该用 MCP 的是另一类场景:远程服务、OAuth 授权、按用户的权限管理。

最后一点,面向 Agent 的 CLI 设计有几个要点:所有命令支持 --json 输出;错误信息要写给 LLM 看,不只报错还要提示下一步怎么办;破坏性操作要有 --dry-run 和显式确认;长任务用 job 模式(start / status / logs),别让 Agent 阻塞干等;列表输出默认分页限流,防止一条命令把上下文撑爆。

一句话总结:把领域能力压成 CLI(便宜、可组合),用 Skill 把领域智慧教给模型(按需加载),用子 Agent 把脏活隔离出主上下文(专家化、可并行)——三层各解决一个正交的问题。

#AI#Agent#CLI#MCP#Skill#自动化#框架#编程

关联工程母题系统与实测说明:

本篇「Agent-Callable CLI: 面向智能体的命令行范式」由 整理收录于 qilaidav 工程知识库,围绕 企业协同与三库底座 (Spec/Prompt/Memory) 的生产环境架构设计、链路排障与确定性验证展开沉淀。完整系统模块、部署边界与技术规格请查阅方案主页:→ 查看 企业协同与三库底座 (Spec/Prompt/Memory) 详情(架构诊断与定制交流:Telegram @BD8888 · hello@qilaidav.com · GitHub @qilaidev)。

免责声明与评测方法:本文所涉开源工具、模型基准与工程配置均基于实测环境与公开技术资料整理,仅供系统架构研发参考,不构成任何商业背书或投资建议。

— qilai · 摘自 Telegram 频道 @AIKB8