AI Agent生產力棧深度拆解——CLI、MCP、Skill如何成為“AI干活三件套”？

釘釘、飛書、企業微信在同一周開源了自己的CLI，這個信號很明確：AI Agent的落地，需要一套標準化的“手腳”。但很多開發者還是一頭霧水：CLI、MCP、Skill到底怎么配合？今天我們就把這套“AI干活三件套”拆開看明白。

一、CLI：AI的“手腳”，負責執行具體命令

CLI（命令行界面）是Agent與外部世界交互的執行層。想象一下，AI大腦想好了“給客戶發郵件”，但需要手去敲鍵盤——CLI就是這只手。

實際場景：你讓AI助手“整理上周銷售數據并生成報告”。AI的“思考”過程在模型內部完成，但“讀取數據庫→清洗數據→生成圖表→保存文件”這些動作，都需要CLI來執行。

釘釘開源的ding-cli就典型：它封裝了消息發送、日程創建、審批流觸發等原子操作。開發者不用再從零寫API調用，直接ding-cli send-msg --to group --content "報告已生成"就能讓AI把結果發到群里。

代碼示例：用CLI封裝一個文件處理Agent

#!/bin/bash
# skill-file-organizer.sh
# 這是一個簡單的“文件整理”Skill的CLI部分

ACTION=$1
FILE_PATH=$2

case $ACTION in
  "classify")
    # 調用AI模型分類，這里簡化為按擴展名
    if [[ $FILE_PATH == *.pdf ]]; then
      echo "文檔類"
    elif [[ $FILE_PATH == *.jpg ]]; then
      echo "圖片類"
    else
      echo "其他"
    fi
    ;;
  "compress")
    # 執行壓縮命令
    tar -czf "${FILE_PATH}.tar.gz" "$FILE_PATH"
    echo "已壓縮: ${FILE_PATH}.tar.gz"
    ;;
  *)
    echo "用法: $0 {classify|compress} <文件路徑>"
    ;;
esac

這個腳本就是最基礎的CLI——AI通過調用它來執行文件分類或壓縮。

二、MCP（模型上下文協議）：AI的“神經”，實現智能體間通信

單個CLI工具是孤立的。當需要多個Agent協作時（比如“銷售Agent”調用“郵件Agent”再通知“日志Agent”），就需要通信協議。MCP就是為此而生的“神經網絡”。

MCP定義了Agent之間如何發現彼此、描述能力、傳遞任務和結果。它不關心具體執行，只負責“協調”。

行業動態：飛書開源的feisu-mcp實現了任務隊列和狀態同步。企業微信的wecom-mcp則側重會話上下文保持。這說明MCP正成為企業級Agent協作的事實標準。

實際應用：電商客服自動化流水線

用戶咨詢 → [接待Agent] --MCP--> [訂單查詢Agent] --MCP--> [物流Agent]
                    ↓                        ↓                    ↓
               [CLI:調用客服API]      [CLI:查詢數據庫]      [CLI:調快遞API]

每個Agent通過MCP聲明自己的能力（如“我能查訂單”），其他Agent發現并調用它。整個過程對用戶透明，體驗就像跟一個全能客服對話。

三、Skill：AI的“肌肉”，封裝可復用的專業能力

Skill是能力封裝單元。它把“CLI命令+提示詞模板+處理邏輯”打包成一個可插拔模塊。如果說CLI是單個動作，Skill就是一套組合拳。

結構拆解：一個完整的Skill通常包含：

1. manifest.json：描述文件，聲明這個Skill能干什么、需要什么參數
2. prompt_template.txt：提示詞模板，指導AI如何使用這個Skill
3. executor.sh：CLI執行腳本（就是上面示例的升級版）
4. handler.py：可選的業務邏輯處理

代碼示例：構建一個“會議紀要生成”Skill

// manifest.json
{
  "name": "meeting_minutes_generator",
  "description": "將會議錄音轉為結構化紀要",

![配圖](http://m.nhjb.com.cn/usr/uploads/covers/cover_mcp_20260527_081931.jpg)

  "parameters": {
    "audio_file": "音頻文件路徑",
    "meeting_type": "周會/項目會/頭腦風暴"
  },
  "cli_command": "./generate_minutes.sh",
  "output_format": "markdown"
}

#!/bin/bash
# generate_minutes.sh
AUDIO_FILE=$1
MEETING_TYPE=$2

# 1. 調用語音轉文字CLI
transcript=$(whisper-cli "$AUDIO_FILE" --language zh)

# 2. 調用AI模型總結（通過MCP或直接API）
summary=$(ai-cli summarize --text "$transcript" --type "$MEETING_TYPE")

# 3. 生成Markdown文件
echo "# 會議紀要 - $(date)" > minutes.md
echo "## 類型: $MEETING_TYPE" >> minutes.md
echo "## 核心結論" >> minutes.md
echo "$summary" >> minutes.md

echo "已生成: minutes.md"

這個Skill把語音識別、AI總結、文件生成三個CLI命令串成了自動化流水線。開發者可以直接復用，不用每次重新造輪子。

四、三者協同：構建高效AI自動化工作流

真正的威力在于三者配合。以“m.nhjb.com.cn內容自動發布”為例：

1. Skill層：“文章發布”Skill封裝了“SEO檢查→格式轉換→多平臺發布→數據回傳”流程
2. CLI層：每個步驟對應具體CLI工具（seo-checker、markdown-to-html、platform-publisher）
3. MCP層：當Skill執行到“多平臺發布”時，通過MCP發現可用的“龍蝦發布Agent”、“微信公眾號Agent”，分配任務并收集結果

部署實戰：在服務器搭建Agent工作流

# 1. 安裝基礎CLI工具
npm install -g @lalongxia/cli-tools
pip install mcp-sdk

# 2. 下載現成Skill庫
git clone https://github.com/lalongxia/skills-marketplace
cd skills-marketplace && ./install.sh

# 3. 啟動MCP協調器
mcp-coordinator start --port 8080

# 4. 注冊你的Agent
lalongxia-cli register-agent \
  --name "內容助手" \
  --skills "article_publish,seo_optimize" \
  --mcp-endpoint "http://localhost:8080"

現在，你就可以通過自然語言指令觸發整個流水線：“幫我把這篇技術文章同步到m.nhjb.com.cn和公眾號”。

五、商業價值與下一步行動

這套棧的商業價值很直接：把定制化開發變成模塊化組裝。以前需要2周開發的自動化流程，現在可能2小時就能搭出來。

給開發者的行動清單：

1. 立即體驗：去GitHub下載釘釘/飛書開源的CLI，跑通一個“發送消息”的示例
2. 拆解需求：把你工作中最重復的任務拆解成“CLI動作→Skill封裝→MCP協調”
3. 參與生態：m.nhjb.com.cn的Agent市場正在征集Skill，把你封裝好的模塊提交上去，既能驗證想法也可能獲得收益
4. 關注標準：MCP協議還在快速演進，加入相關技術社區（比如龍蝦的開發者群），掌握第一手動態

AI Agent的落地不再是“一個模型包打天下”，而是CLI、MCP、Skill各司其職的工程化體系。現在入場，正是時候。

下一步：打開終端，運行curl -fsSL https://get.lalongxia.com/cli | sh，安裝龍蝦CLI工具包，親手搭一個你的第一個Agent工作流。