Agent Skills
返回列表
MCP 转 CLI 省 Token 切换器

MCP 转 CLI 省 Token 切换器

AI Agent 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_9c50a897/mcp2cli 到我的 AI 助手。

技能介绍

问题在哪

MCP 调用的实际开销常常不在功能本身，而在响应体积：工具返回是结构化 JSON，字段冗余、嵌套层级深，字符数通常是 CLI 文本输出的 3-5 倍，而且每次调用都要消耗一轮推理往返。对 git branch、git log 这类只读操作来说，直接复用本地 CLI 的输出往往比走一次 MCP 工具更省。难点在于没人替你逐操作算这笔账——哪些该切、切了能省多少、会不会丢掉语义，全都要靠实测。

它怎么做

mcp2cli 按四个步骤顺序执行，每一步的输出都可审计：

  • Step 1 发现：scripts/discover_mcp.py 扫描已启用的 MCP 服务，输出传输方式、工具数和 CLI 可用性，生成 discovery.json，并把服务分成「有 CLI 替代」和「无 CLI 替代」两组。
  • Step 2 基准测试：scripts/benchmark.py 对每个操作实跑 CLI、测量真实输出字符数，同时基于 MCP 工具 schema 与典型 JSON 响应体积估算 token，逐操作标记 SWITCH_TO_CLI 或 KEEP_MCP。想要更精确，可以在对话里实际调用一次 MCP，把真实字符数写进 benchmark_results.json 的 mcp_actual_chars，脚本会自动替换估算值。
  • Step 3 持久化：scripts/apply_routing.py 把决策写入 ~/.workbuddy/memory/MCP_CLI_ROUTING.md，这份文件是后续所有会话的唯一路由依据。
  • Step 4 遵循：每次会话开始或发起操作前先读该文件，命中 CLI 路由就用 CLI，否则继续走 MCP。

适用边界

  • 写操作谨慎：创建、修改、删除类操作即使 CLI 更省也不轻易切换，必须用户确认。
  • 切换有门槛：CLI 必须实跑成功（returncode = 0），token 节省要 >20%，且输出语义必须与 MCP 等价；本地没有对应仓库 clone 时，版本控制类替代不成立。
  • 不碰认证：MCP 凭证通常加密存储，脚本无法直接调用 MCP，该技能改为走 CLI 原生认证或引导优化调用模式。
  • 路由会过期：文件超过 30 天或 MCP 连接器列表变更时需要重跑基准测试；调整路由要修改 benchmark_results.json 后重跑脚本，不能手动编辑路由文件。

使用场景

  • 本地已有 git 仓库 clone，想确认 git branch、git log 这类只读操作走 CLI 是否比 MCP 省 token，再决定要不要切换。
  • 同时启用了多个 MCP 连接器，想按服务名范围跑一轮发现，筛出哪些工具有 CLI 替代、哪些没有。
  • MCP 工具返回的 JSON 体积过大，导致推理轮次变多，想逐操作实测字符数并找出节省超过 20% 的切换点。
  • 之前手动改过路由文件导致不生效，想通过重跑基准测试和 apply_routing 脚本重新生成持久化路由。

适合人员

  • 维护本地代码仓库、对每次工具调用 token 开销敏感的后端工程师。
  • 在 agent 工作流中接入多个 MCP 连接器、需要控制推理轮次的平台开发者。
  • 负责评估 AI 工具链成本、想要可审计的 MCP 与 CLI 对比报告的技术负责人。
  • 日常已在命令行完成 git 操作、想确认哪些 MCP 调用可以永久切走的个人开发者。