忘掉 MCP？OpenClaw 作者说：CLI 才是 AI 连接世界的终极接口

本文永久链接 – https://tonybai.com/2026/02/04/openclaw-author-cli-ultimate-agent-interface-vs-mcp

大家好，我是Tony Bai。

如果回望 2025 年上半年，AI 圈最火的技术关键词无疑是 MCP (Model Context Protocol)。彼时，行业内满怀希望地为智能体定义 Schema，构建 JSON-RPC 服务，试图为 AI 打造一套标准化的能力连接协议。

然而，时间来到 2026 年初，技术圈的热点正在悄然发生偏移。

最近，一个名为 OpenClaw（其前身是火遍全网的 Moltbot/Clawdbot）的开源项目，用一种极其“复古”的方式给所有人上了一课。其作者 Peter Steinberger 提出了一个极其犀利的观点：与其费力去对齐协议，不如直接回归 CLI（命令行）。

在 OpenClaw 的世界里，要让智能体获得一项新能力——无论是控制智能家居、管理 WhatsApp 消息，还是操作云服务器——秘诀只有一个：写一个 CLI。

作者发现，只要有一个带有 –help 的工具，智能体就能自发掌握它。在经历了一整年的协议崇拜后，这种“低摩擦”的命令行工具，是否才是智能体操作现实世界的最佳方案呢？在 GUI 为了人类进化了 40 年后，CLI 是否正在因为 AI 而迎来一场“文艺复兴”？它会是 AI 连接世界的终极接口吗？在这篇文章中，我们就来简单探讨一下。

语义对齐：为什么智能体更倾向于 CLI？

智能体（Agent）和人类不同，它不需要精美的图形界面（GUI），它需要的是能够被理解的逻辑边界。

自描述的帮助文档即“自然语言指令”

人类觉得 CLI 难用，是因为人类记不住参数。但对于以 LLM 为内核的智能体来说，CLI 简直是量身定制的。

智能体拿到一个新工具 my-tool，它会自发运行 my-tool –help。这份吐出的文档，本质上就是一份零噪音、高密度、且包含示例（Few-shot）的 Prompt。智能体不需要任何预配置，在阅读文档后的那一秒，它就学会了如何操作这个工具。在 AI 时代，写好 –help 文档，比写好 UI 界面更重要。

Unix 哲学的“动作组合性”

Unix 哲学的核心是“只做一件事，并把它做好”，通过管道（Pipe）进行组合。这与智能体的思维链（Chain of Thought）逻辑高度契合。

用户指令：“分析最近一周的错误日志并推送到飞书。”
智能体决策： log-fetch –days 7 | grep “ERROR” | feishu-send –channel #ops

智能体不需要你编写复杂的集成逻辑，它只需要像玩积木一样，通过编排/串联原子化的 CLI 工具就能实现复杂的自动化目标，这就是涌现能力的来源。

深度辨析：有了 CLI，为什么我们依然需要 MCP？

在实际开发中，你可能会产生怀疑：“既然 CLI 也能输出 JSON 结果，也能实现逻辑复用，那 MCP 的护城河到底在哪里？”

这正是架构师最容易产生误区的地方。如果你只是追求“获取数据”或“执行动作”，cli –json 确实已经足够强大。但要构建工业级的自主智能系统（Agentic System），MCP 拥有 CLI 无法替代的三个核心特征：

从“盲摸”到“自报家门”：发现机制的代差

CLI 模式： 智能体必须预先知道 ls、grep 这些命令名。如果你的系统环境里有 1,000 个工具，你不可能把所有命令名都塞进 Prompt，这会导致严重的 Context 溢出和注意力稀释。
MCP 模式： 拥有标准的 Discovery（发现）机制。当智能体连接到一个 MCP Server 时，Server 会主动上报一份精简的“能力清单”。这是机器与机器之间（M2M）的元数据对齐，比智能体在 Shell 里“瞎撞”要高效且精准得多。

从“一次性动作”到“长效资源”：抽象能力的升维

CLI 的本质是“工具（Tools）”： 它是瞬时的、原子化的动作。
MCP 引入了“资源（Resources）”： 它能将一个持续更新的数据库表、一个实时日志流、甚至一个远程设备状态抽象为一个 URI。MCP Server 还可以为这些资源提供“动态提示词模板”，它不仅给 AI 数据，还告诉 AI “针对这组数据，你当前应该关注哪些风险点”。这种“数据 + 方法论”的打包分发方案，是 CLI 无法实现的。

安全治理：上帝权限 vs. 零信任沙箱

CLI 的风险： 赋予智能体 Shell 权限意味着你把“核武器”交给了它。它可能在修复 Bug 时，因为一个幻觉顺手运行了 rm -rf /。
MCP 的护城河： 它是代理（Proxy）架构。
- 精细权限： 你可以定义此 Server 只能 Read 资源，严禁任何写操作。
- 跨宿主复用： 你的 MCP Server 一旦写好，可以无缝挂载到 Claude 网页版、Cursor、甚至自建的机器人中，无需在对应宿主机上安装任何二进制程序。这种“即插即用”的可移植性和安全性，是传统 CLI 无法比拟的。

实战决策：该如何选择你的工具接口？

在构建 AI Agent时，建议遵循以下选型逻辑：

选 CLI 模式的场景（个人/Hack 模式）：
- 快速打通物理世界：比如你想让 AI 控制一个没有 API 的智能台灯或老旧软件。
- 本地极速自动化：只有你一个人用，追求极致的开发效率，不在乎严格的 Schema。
- 原则：“写个脚本就能搞定的事，别去写 Server。”
选 MCP 模式的场景（企业/生产模式）：
- 能力标准化：你的工具需要提供给整个团队、在不同的编辑器或平台间共享。
- 高风险环境：必须严格限制 AI 的动作边界，需要通过中间件进行审计和拦截。
- 复杂数据流：涉及跨系统（如飞书文档到 PostgreSQL）的结构化数据流转。