你的 CLI 上的 --help 就是你在 LLM 上下文方面所需要的一切，直到你不再需要为止。

这是我早就想写的一篇文章。虽然有点晚了，但我还是要深入探讨 MCP 与 CLI 的争论，因为我有一个别人可能会觉得有趣的观点。

MCP 服务器和一个带 `--help` 标志的普通 CLI 程序，实际区别到底在哪里？在我看来，一个为智能体而写的 CLI 程序能解决同样的问题，而无需发明任何新东西？
https://x.com/adamwathan/status/1968738637358522629

开发者工具公司可以分为两个层级：S 级（赢家）和 F 级（输家）。一家公司究竟落入 S 级还是 F 级，完全取决于模型权重。

S 级公司存在于训练权重之中。以 GitHub 为例。我们可以没完没了地谈论 GitHub 的问题，但有一点是真实的：这些模型知道如何与 GitHub 交互，因为这种行为就在模型权重本身之中。它们不需要任何技能或 MCP 就能达成结果。你直接用 CLI 就行。

一旦你能在没有任何技能或 MCP 的情况下执行这样的提示词，你就属于 S 级了：

提示词：使用 GH cli 创建一个仓库，提交更改，推送到 origin，将仓库设置为公开并更新仓库描述。

现在，如果你是一家全新的开发者工具公司，而且你还不在模型权重之中，你有几个选择。首先，你不得不要求用户下载并安装某种技能包，甚至可能是一个 CLI，这与 S 级公司的开发者体验（DevX）相比，给用户增加了大量摩擦。

那么，你该怎么做呢？很简单。

首先开发一个非常出色的 CLI，并在这个 CLI 上打磨和优化你的 --help 部分。你要做的是衡量一个模型能否通过遍历 help 动词下的所有子动词来达成结果，然后通过选择效果最好的措辞来优化语言，使模型能用最少的工具调用达成结果。这可以通过循环或自动研究循环来实现。

有了这个基础之后，下一步是在线发布这个 CLI 的文档，然后专注于面向智能体的 ASEO（智能体搜索引擎优化）web_search_tool。同样，从现在开始，目标是审视单个智能体所经历的路径并加以优化，使其能通过一次网络搜索工具调用就获得所需的所有信息。如果它不得不遍历你的文档，说明你做得还不够好。继续优化。

要更进一步，你应该与各大实验室签订商业合同。也许你已经和实验室有推理方面的合同了。你要依靠他们，让你的 CLI 文档进入他们的下一次训练运行中。

如果你把这些都做好了，那么你就走在成为 S 级开发者工具公司的道路上了。最棒的是，这不需要用户下载或安装技能包、配置 MCP，或处理任何那些麻烦事。

ps. 社交媒体