为什么 AI 重新爱上了 CLI？

在过去几十年，软件进化的路径是 CLI（文字） → GUI（图标/视觉），旨在降低人的使用门槛。但当用户从“人”转变为“AI Agent”时，逻辑发生了反转：

1. 交互介质的契合：AI 的底层是 LLM（大语言模型），本质是文本处理机。CLI 天然的文本输入/输出属性，省去了 AI 识别图像、定位坐标的昂贵成本与误差。
2. 自描述性（Self-describing）：CLI 具备 API 不具备的“探索性”。AI 可以通过 --help 命令实时获取操作指南，无需人类预先喂入海量的 API 文档。
3. 组合性与原子化：CLI 命令可以通过“管道符（|）”无限组合，实现复杂逻辑，而无需为每种组合单独开发功能。

---

核心概念：CLI、MCP 与技能（Skills）

在 AI Agent 的工具箱里，这三者扮演着不同的角色。

概念	类比	核心定义与功能
CLI	手	实际干活的工具。负责执行具体任务。
MCP	另一只手	跨应用的协议标准。常驻 AI 的“工作记忆”，适合无终端环境（如 Claude 桌面端）。
技能 (Skills)	肌肉记忆	描述文件。告诉 AI 什么时候该用哪个命令，提升任务成功率。

---

深度解析：如何设计“AI 原生”的 CLI？

四项关键设计准则，这是确保 AI 能够稳健操作软件的核心：

1. 完备的帮助文本（Help Text）

• 原则：--help 就是 AI 的说明书。
• 实践：不仅要有参数规格，还要包含使用场景和默认值。飞书提供了 schema 命令，让 AI 能实时查询 API 结构。

2. 必须具备 Dry-run（模拟运行）机制

• 逻辑：在执行删除、修改等不可逆操作前，强制要求预览结果。
• 价值：这是 AI 的安全网。例如 AI 删除记录前会返回：“将要删除 47 条记录，确认吗？”

3. 具备“自修复”能力的错误信息

• 痛点：传统的“Permission denied”会让 AI 宕机。
• 优化：错误信息应包含 错误点 + 原因 + 修复命令。
  • 示例：告知 AI 缺少权限，并直接附带申请权限的命令：lark-cli auth login --scope ...。

4. 结构化输出与流量控制

• 格式：支持 JSON 格式，方便 AI 准确解析数据。
• 控流：提供分页（--page-limit）和过滤参数，防止海量日志撑爆 AI 的上下文窗口。