假设你想让朋友帮你预订一家餐厅。你只需要说：“嘿，能帮我订一个周五晚上七点，在‘美味坊’的两人位吗？” 你的朋友能理解这个请求，并使用手机应用或打电话完成预订。

现在，想象一下让 AI 做同样的事情。AI 无法直接“打电话”或“使用应用”。它需要一种方式来与外部世界——那些应用、数据库和服务——进行交互。这就是 AI 工具交互发挥作用的地方。它为 AI 提供了与外部工具对话并执行任务的途径。目前，主要有两种模式：模型上下文协议 (MCP) 和命令行界面 (CLI)。

想象一下，你有一堆来自不同制造商的电子设备，每个设备都有自己独特的充电接口。你需要为每台设备准备一根特定的充电线，这会非常麻烦。现在，如果所有设备都采用同一种标准接口，比如 USB-C，你只需要一根线就能为所有设备充电。生活会变得简单得多。

模型上下文协议 (MCP) 就扮演着 AI 世界里“USB-C”的角色。它是一个开放标准，旨在为 AI 模型与外部工具的连接方式提供统一规范。

MCP 的核心理念是“即插即用”。它使用一种名为 JSON-RPC 的技术，通过网络发送结构化的消息。这意味着，只要工具开发者遵循 MCP 标准，任何兼容的 AI 模型都可以轻松地发现并使用这个工具，而不需要为每个工具编写定制的集成代码。

如果 MCP 是现代的、用户友好的 USB-C，那么命令行界面 (CLI) 就像是更基础、更底层的电线和焊接工具。CLI 是一个纯文本界面，开发者通过输入命令来与程序交互。它已经存在了几十年，远在图形界面普及之前。你可能在电影里见过程序员在黑色屏幕上敲着绿色文字，那通常就是 CLI。

在 AI 时代，CLI 之所以依然重要，在于它的强大能力：可组合性。你可以将多个简单的 CLI 工具像乐高积木一样组合起来，创建一个复杂的自动化工作流。每个工具只做一件事，并把它做好。这种设计哲学让它极其灵活和强大。

CLI 工具通常通过标准输入/输出 (stdio) 进行通信。一个工具的输出可以直接作为下一个工具的输入，形成所谓的“管道”。这种方式简单、直接且高效，非常适合自动化任务。

无论 AI 使用 MCP 还是 CLI，它都需要理解工具是做什么的以及如何使用它。这些描述信息会占用 AI 的“注意力”或“短期记忆”，我们称之为上下文窗口。上下文窗口的大小是有限的，就像人一次只能记住几件事一样。

用来描述工具的文本会消耗 Token，Token 是 AI 处理文本的基本单位（可以粗略地理解为一个单词或一个汉字）。描述越详细，消耗的 Token 就越多。这就是所谓的上下文开销。

MCP 的工具定义通常更详细和结构化，因为它需要精确描述函数、参数和数据类型，这会导致更高的 Token 消耗。相比之下，CLI 工具的描述可以非常简洁，通常只包含命令名称和几个选项。更少的 Token 消耗意味着为实际任务留出了更多宝贵的上下文空间，这可能会提升 AI 在复杂推理中的表现。

因此，在选择工具交互模式时，需要在 MCP 的标准化与 CLI 的高效、低开销之间做出权衡。

现在你已经了解了连接 AI 与外部工具的两种主要方式，以及它们各自的优缺点。