#CLI Anything #AI Agent #MCP #开发者工具 #开源

CLI Anything：你的 AI 智能体一直缺失的执行层

73% 的企业 AI 智能体部署在第一年内失败——不是因为模型不够好，而是因为工具层存在缺陷。CLI Anything 是标准化执行层，为你的智能体提供双手：130+ 个可通过 pip 安装的 CLI、统一接口、结构化 JSON 输出。

@ AgentPuter Lab
$
~ 阅读 12 分钟

你的智能体很聪明，但就是什么都做不了。

你构建了一个 AI 智能体，它推理能力出色，策略规划周密，响应精准。然后你让它发送一条 Slack 消息。它给你写了一个 Python 脚本。你让它触发一个 Docker 构建。它解释了 Dockerfile 的语法。你让它创建一个 Jira 工单。它描述了 REST API 端点。

智能是有的，但执行力不足。

这是智能体时代的隐藏瓶颈 —— 而且这并非模型的问题。2025 年的一项生产调查发现，73% 的企业 AI 智能体部署在第一年内未能达到可靠性预期。失败的原因不是缺乏智能，而是缺乏基础设施。

正如 HackerNoon 的分析所说：“智能体工作框架（Agent Harness）工程 —— 上下文管理、工具选择、错误恢复和状态持久化的设计 —— 是智能体可靠性的主要决定因素，而不是模型能力。”

OpenAI 联合创始人 Andrej Karpathy 在 2025 年引发了一场辩论，他称当前的 AI 智能体为“垃圾”，并警告业界“步子迈得太大了”。他的诊断不是关于模型，而是关于底层管道。

CLI Anything 就是这个管道。

智能体调用工具的三种方式 —— 以及它们为何都存在不足

在讨论解决方案之前，让我们先诚实地审视一下现状。

选项 1：原始 API / SDK 调用

每个集成都是手工编写的。智能体必须了解 API 模式，管理身份验证，解析不一致的响应格式，并为每个服务处理不同的错误。这对于一两个集成来说还可以，但无法扩展到五十个。

选项 2：MCP (Model Context Protocol，模型上下文协议)

MCP 是 Anthropic 对工具标准化给出的答案，现在由 Linux 基金会的 AAIF 管理，拥有令人印象深刻的 9700 万 SDK 下载量和 10,000 多个已发布的服务器。从理论上讲，它正是智能体所需要的。

但在实践中，存在一个没有人充分讨论的关键问题：MCP 是一个上下文消耗大户。

Jannik Reinhard 是一位花费数月时间构建真正企业智能体解决方案的开发者，他详细记录了这一点：

“一个典型的 MCP 服务器将其整个模式转储到智能体的上下文窗口中 —— 工具定义、参数描述、身份验证流程、状态管理，整个包。”

仅 GitHub MCP 服务器就消耗了 ~55,000 个 tokens，而智能体还没有做任何实际工作。这大约是 GPT-4o 整个上下文窗口的一半 —— 在第一个问题之前就消耗掉了。连接一个典型的企业堆栈（GitHub + 数据库 + Jira + Microsoft Graph），你将看到 150,000+ 个 tokens 的模式开销。

token 成本不仅仅是一个效率问题，它还是一个推理质量问题。按照 Claude 每百万 tokens 3 美元的价格计算，这种开销转化为每次请求 0.27 美元，或者大规模部署时每月 81,000 美元。

Reinhard 在一个真实的合规性自动化任务上进行了直接比较：

方法Token 成本
MCP (Microsoft Graph)145,000 tokens
CLI 等效方法4,150 tokens
差异减少 35 倍

CLI 方法留下了 95% 的上下文窗口用于实际推理。MCP 方法将工作流程分成多个会话，只是为了保持在限制范围内。

选项 3：CLI 包装器 —— 缺失的中间层

这里有一个被低估的事实：LLM 是天生的 CLI 语言使用者。它们接受了数十亿行终端交互的训练 —— Stack Overflow 答案、GitHub 仓库、文档、教程。git、docker、curl、kubectl 都是深度学习的模式。一个 CLI 命令加上它的 --help 输出大约花费 200 个 tokens —— 比 MCP 初始化提高了 50 倍。

一位开发者用一个 200-token 的 CLI 技能定义替换了一个消耗 5,000 多个 tokens 的 LangSmith MCP 服务器：上下文开销减少 95%，功能零损失。

但从历史上看，CLI 包装器有其自身的问题：没有标准接口。每个工具都有不同的命令、不同的输出格式、不同的错误代码。智能体无法依赖跨工具的一致行为。

这正是 CLI Anything 填补的空白。

介绍 CLI Anything Hub

CLI Anything Hub 是一个精选的、社区驱动的集合，包含 130 多个预构建的、智能体就绪的 CLI 包装器，用于世界上最流行的软件 —— 围绕一个标准化的 4 命令接口构建。

Hub 中的每个 CLI 都实现了相同的约定。无需文档：

# 1. DISCOVER — 智能体自我发现能力，无需身份验证
cli-anything-slack schema
# → { "name": "cli-anything-slack", "commands": [...], "token_env": "SLACK_BOT_TOKEN" }

# 2. CHECK — 幂等连接性测试，零副作用
cli-anything-slack detect
# → { "status": "ok", "workspace": "MyTeam", "bot": "AgentBot" }

# 3. CALL — 结构化 JSON 输出，智能体可解析
cli-anything-slack --json message send #general "Deploy complete"
# → { "ok": true, "ts": "1742000000.000100" }

# 4. VERSION — 兼容性跟踪
cli-anything-slack version
# → cli-anything-slack 1.0.0

从零到工作只需 30 秒：

pip install cli-anything-slack
export SLACK_BOT_TOKEN=xoxb-...
cli-anything-slack --json message send #ops "Hello from Agent"

目前，有 30 多个 CLI 处于活动状态并可安装，并由 1,508 个自动化测试支持。路线图涵盖了创意与媒体、云 SaaS、开发者工具、游戏、生活服务等领域的 130 多个工具。

四层架构：CLI Anything 的位置

最常见的问题是：“这是否与 MCP 竞争？与直接 API 调用竞争？”

答案是否定的。CLI Anything 是一个执行层 —— 它在智能体堆栈中有一个特定的、明确定义的位置：

┌──────────────────────────────────────────────────────────┐
│  Layer 4: Skills / SKILL.md                               │
│  Intent routing — "which tool, which command, when"       │
│  意图路由 —— “哪个工具，哪个命令，何时”                                   │
├──────────────────────────────────────────────────────────┤
│  Layer 3: MCP Bridge (optional)                           │
│  Protocol layer — expose CLI Anything as MCP tools        │
│  协议层 —— 将 CLI Anything 作为 MCP 工具公开                               │
│  Semantic governance + lean execution                     │
│  语义治理 + 精益执行                                         │
├──────────────────────────────────────────────────────────┤
│  Layer 2: CLI Anything Hub                                │
│  Standardized execution — schema / detect / call --json   │
│  标准化执行 —— schema / detect / call --json                               │
│  30+ Live · 130+ planned · pip install · framework-free   │
│  30+ 活跃 · 130+ 计划 · pip install · 无框架                               │
├──────────────────────────────────────────────────────────┤
│  Layer 1: Real APIs & SDKs                                │
│  Actual communication — Slack / Stripe / Docker / etc.    │
│  实际通信 —— Slack / Stripe / Docker / 等                                 │
└──────────────────────────────────────────────────────────┘

Layer 1 — 真实 API： 实际的 SDK 和 REST 端点。CLI Anything 包装了这些，因此智能体永远不必处理原始身份验证、不一致的响应格式或特定于服务的错误处理。

Layer 2 — CLI Anything（核心）： 标准化的执行接口。schema 为智能体提供了一个完整的功能图 —— 它们不需要任何外部文档。detect 提供了一个幂等的健康检查，可以随时安全地调用。--json 确保每个响应都是结构化的，并且智能体可以解析，无需后处理。

Layer 3 — MCP Bridge（可选）： CLI Anything CLI 可以 被包装为 MCP 工具。这并不是冲突 —— 而是两全其美。MCP 在企业环境中提供治理、审计跟踪和语义发现。CLI Anything 在底层提供精益执行层，避免了 MCP 的 token 开销问题。HackerNoon 对有效智能体工作框架的分析建议采用这种“渐进式披露”模式：只在需要时向模型展示它们需要的东西。

Layer 4 — Skills / SKILL.md： 意图路由层。SKILL.md 文件告诉智能体 何时 使用工具，使用哪个特定命令，以及 传递什么上下文。CLI Anything 路线图包括每个 CLI 自动生成的 SKILL.md —— 使每个工具都可以在 Cursor、Codex、VS Code、Gemini CLI 以及任何支持 AAIF Agent Skills Standard 的智能体中完全即插即用。

完整的智能体控制堆栈： 技能路由 → (MCP 桥接) → CLI 执行 → API 响应 → JSON 返回给智能体。

真实演练：智能体自动化部署

让我们具体说明一下。你的智能体收到一个任务：“部署新版本，通知团队，并创建一个 Jira 工单用于发布跟踪。”

步骤 1： 智能体读取 Skills 层。它将 cli-anything-vercel、cli-anything-slack 和 cli-anything-jira 识别为正确的工具。

步骤 2： 智能体对每个工具调用 schema —— 3 个轻量级 JSON 响应，总共大约 600 个 tokens。将其与加载三个 MCP 服务器进行比较：在执行任何操作之前，大约需要 90,000 个 tokens 的模式开销。

步骤 3： 按顺序执行：

# Deploy
cli-anything-vercel --json deploy --project my-app
# → { "url": "https://my-app-xyz.vercel.app", "state": "READY" }

# Notify team
cli-anything-slack --json message send #releases "v2.1.0 live → https://my-app-xyz.vercel.app"
# → { "ok": true, "ts": "1742000000.000100" }

# Track release
cli-anything-jira --json issue create --project REL --summary "Release v2.1.0" --type Task
# → { "id": "REL-847", "status": "To Do", "url": "..." }

结果： 三个工具。三个 pip 安装。一个标准化的接口。零自定义集成代码。比 MCP 等效方法少 35 倍的 tokens。

这并不是一个虚构的演示。Vercel 自己的工程团队记录了一个类似的发现：当他们将智能体的工具从 15 个减少到 2 个专注的、定义明确的工具时，准确率从 80% 跃升到 100%，token 使用量下降 37%，速度提高了 3.5 倍。CLI Anything 的设计理念 —— 精益、专注、可组合 —— 正好反映了这一发现。

Hub 中有什么

当前活跃（30 多个 CLI）：

类别工具
创意与媒体GIMP, Blender, Inkscape, Audacity, OBS Studio, Kdenlive, Shotcut, Draw.io
通信Slack, Discord, Telegram, Feishu/Lark（飞书/Lark）
云 SaaSStripe, Shopify, HubSpot, Salesforce, Jira, Cloudflare, Vercel, Twilio
开发者工具Docker, GitHub, Notion, Ollama
办公与效率MS 365, LibreOffice, Google Workspace (Drive + Gmail + Calendar + Sheets + Docs + Chat)

路线图：

  • 游戏： Steam, Roblox, Riot Games, Twitch, Minecraft RCON
  • 生活与本地： DoorDash, Meituan（美团）, Uber Eats, Airbnb, Yelp
  • 创意 SaaS： Figma, Canva, Adobe Photoshop (UXP)
  • 广告： Google Ads, TikTok Ads, Meta Ads

Hub 是开放的 —— 构建你自己的 CLI

CLI Anything 采用 MIT 许可。Hub 中的每个 CLI 都遵循相同的最小约定，任何 Python 开发者都可以在一个下午构建一个。

最小可行实现：

import click, json

@click.group()
def cli(): pass

@cli.command()
def schema():
    """Output capability map. No auth needed."""
    click.echo(json.dumps({
        "name": "cli-anything-mytool",
        "version": "1.0.0",
        "requires_token": True,
        "token_env": "MYTOOL_API_KEY",
        "commands": [{"cmd": "do-thing", "desc": "Does the thing"}],
        "json_flag": "--json"
    }))

@cli.command()
def detect():
    """Connectivity check. No side effects."""
    click.echo(json.dumps({"status": "ok"}))

这就是核心。添加你的工具特定命令，提交一个 PR 或 GitHub Issue，你的工具就可以供世界上每个使用 CLI Anything 的智能体使用。

为何现在很重要

2025-2026 年是 AI 智能体从令人印象深刻的演示转向可靠的生产系统的窗口。APEX-Agents 基准测试在真实的专业任务（银行、咨询、法律）上测试了前沿模型，并发现了一个令人清醒的结果：即使是最好的模型也只达到了 24% 的 pass@1 准确率。主要的失败模式不是知识差距，而是编排失败。

正如智能体工作框架研究社区所达成共识的：“超过最小能力阈值后，工作框架工程比更换模型带来更好的回报。” Anthropic 通过重新设计脚手架，使用 相同 的模型实现了 36 点的基准改进。

CLI Anything 就是脚手架。它直接解决了编排层 —— 不是通过新的 AI 模型，不是通过新的推理架构，而是通过标准化智能体连接到软件的这种不性感、不光鲜的工作。

添加到 Hub 的每个 CLI 都是世界上每个智能体都可以使用的更多功能。这就是飞轮效应。

正如 Jannik Reinhard 所说，AI 智能体工具的未来，“不是关于最复杂的协议，而是关于模型和行动之间最精益的路径。”

CLI Anything 就是这条路径。

开始使用

安装任何 CLI 并运行它：

pip install cli-anything-slack
cli-anything-slack schema   # see what it can do
cli-anything-slack detect   # verify connectivity

浏览完整目录： agentputer.com/cli-anything

Star & fork Hub： github.com/chatjesus/CLI-Anything-Hub

提交你自己的 CLI： Open a GitHub Issue

在 Product Hunt 上投票： producthunt.com/posts/cli-anything

CLI Anything Hub 是开源的，采用 MIT 许可，专为智能体时代而构建。 pip install 任何工具 · 智能体调用任何软件 · Fork 并扩展

参考

  1. HackerNoon — Why AI Agent Reliability Depends More on the Harness Than the Model (2025)
  2. Jannik Reinhard — Why CLI Tools Are Beating MCP for AI Agents (Feb 2026) — jannikreinhard.com
  3. buildmvpfast.com — MCP Token Cost Problem: Why AI Teams Switch to CLI for Agents (2026)
  4. AAIF / Linux Foundation — Agentic AI Foundation Standardization Report (Dec 2025)
  5. Dev.to — I Replaced My LangSmith MCP Server with a 200-Token CLI Skill (2026)
  6. Dev.to — Agent Harness Engineering: What 8 Months in Production Taught Me (2025)
  7. APEX-Agents Benchmark — Professional Task Performance on Frontier Models (2025)
  8. Andrej Karpathy — Public statements on agentic AI readiness (2025)