CLI、MCP、Skill：企业级AI Agent的“干活三件套”，一次讲透

想让AI Agent真正替你干活，光靠一个大模型对话框可不够。

最近钉钉、飞书、企业微信扎堆开源CLI，很多开发者一脸懵：CLI是啥？跟MCP啥关系？还有个Skill又是干嘛的？今天把这三件事一次讲明白——它们就是AI Agent落地企业场景的标准化技术栈，缺一不可。

先搞清楚：这三样东西分别是什么

CLI（命令行工具）——Agent的"手脚"。它是本地执行入口，让Agent能在你的电脑或服务器上跑命令、调API、操作文件。没有CLI，Agent就是个只会说话的"嘴替"。

MCP（Model Context Protocol）——Agent的"神经系统"。Anthropic提出的标准化协议，让模型能以统一方式调用外部工具和数据源。不管你是调飞书文档还是钉钉审批，协议格式一样，Agent不用为每个工具单独适配。

Skill（技能包）——Agent的"肌肉记忆"。把一段可复用的业务逻辑封装成模块，比如"创建周报""发起审批""同步日历"，Agent调用Skill就像人用肌肉记忆一样，不用每次重新学。

三者关系一句话：CLI负责执行，MCP负责通信，Skill负责封装逻辑。

CLI：从"能对话"到"能动手"

传统AI Agent最大的痛点是什么？光说不练。 你让它帮你发个飞书消息，它只能告诉你怎么发，自己发不了。

CLI解决了这个问题。以钉钉开源的dingtalk-cli为例，安装后你可以在终端直接执行：

# 安装
npm install -g @dingtalk/cli

# 配置认证
dingtalk auth login

# 发送消息
dingtalk message send --to "群组ID" --content "周报已生成"

# 创建日程
dingtalk calendar create --title "产品评审" --time "2026-04-07 14:00"

飞书和企微的CLI也类似。关键是：这些命令可以直接被AI Agent调用。Agent收到用户指令后，把自然语言转换成CLI命令执行，真正实现"说了就干"。

实际场景： 你对Agent说"帮我给项目组发个通知，明天下午两点开会"，Agent内部执行的是：

dingtalk message send --to "项目组群" --content "通知：明天（4月7日）下午2:00召开项目进度会，请准时参加"

MCP：让Agent用一套协议调所有工具

CLI解决了执行问题，但如果每个平台都用自己的一套接口，Agent的适配成本会指数级增长。这就是MCP的价值——标准化的工具调用协议。

MCP定义了三个核心概念：

• Server（工具服务端）：暴露能力，比如"发送飞书消息""查询钉钉审批状态"
• Client（Agent端）：发起调用，用统一格式请求工具
• Transport（传输层）：支持stdio、SSE等多种通信方式

一个MCP Server的配置示例（以飞书为例）：

{
  "mcpServers": {
    "feishu": {
      "command": "npx",
      "args": ["-y", "@anthropic/feishu-mcp-server"],
      "env": {
        "FEISHU_APP_ID": "cli_xxxx",
        "FEISHU_APP_SECRET": "xxxx"
      }
    }
  }
}

Agent启动后，自动发现飞书MCP Server提供的所有工具（发消息、查文档、建日程等），用标准JSON-RPC格式调用，不需要写任何平台特定代码。

关键突破： 钉钉、飞书、企微的CLI开源后，社区可以直接基于CLI封装MCP Server。这意味着一个Agent可以同时接入三个平台，用同一套协议管理所有企业IM工具。

Skill：把业务逻辑变成可复用积木

CLI解决执行，MCP解决通信，但企业场景往往需要多步骤、带判断的复杂流程。比如"每周五自动生成周报并发送到三个群"，这不是一条命令能搞定的。

Skill就是干这个的。它把一组CLI命令 + 业务逻辑 + 条件判断封装成一个可复用模块：

# skill: weekly-report
name: weekly_report
description: 自动生成周报并分发
triggers:
  - cron: "0 17 * * 5"  # 每周五17点
steps:
  - action: cli.execute
    command: "dingtalk calendar list --range this-week"
    extract: meetings
  - action: llm.generate
    prompt: "根据以下会议记录生成周报摘要：{{meetings}}"
    output: report
  - action: cli.execute
    command: "dingtalk message send --to '产品组群' --content {{report}}"
  - action: cli.execute
    command: "feishu message send --to '技术组群' --content {{report}}"

商业价值直接明了： 一个中型团队每周花2小时写周报，50人团队就是100小时/月。一个Skill部署后，这部分人力成本直接归零，按人均时薪100元算，月省1万元。

三件套协同：一个完整案例

某电商公司的客服自动化流程，完整展示了三件套如何协作：

需求： 客户在企微发消息询问订单状态，Agent自动查询并回复，异常情况升级到钉钉人工客服。

实现路径：

1. CLI层：部署企微CLI（接收消息）+ 钉钉CLI（发送工单）+ ERP CLI（查询订单）
2. MCP层：三个CLI各自封装为MCP Server，Agent统一调用
3. Skill层：封装"订单查询与升级"Skill，包含判断逻辑（物流延迟>3天自动升级）

# Skill核心逻辑伪代码
async def handle_order_inquiry(customer_msg):
    order_id = extract_order_id(customer_msg)
    
    # 通过MCP调用ERP查询
    status = await mcp.call("erp", "query_order", order_id=order_id)
    
    if status.delay_days > 3:
        # 通过MCP调用钉钉创建工单
        await mcp.call("dingtalk", "create_ticket", 
                       title=f"订单{order_id}异常", 
                       content=status.detail)
        reply = f"您的订单存在延迟，已为您升级处理，工单号XXX"
    else:
        reply = f"您的订单状态：{status.current_status}，预计{status.eta}送达"
    
    # 通过MCP调用企微回复
    await mcp.call("wecom", "send_message", content=reply)

落地效果： 该公司客服响应时间从平均15分钟降到3秒，人工客服工作量减少60%，月节省人力成本约8万元。

开发者落地三步走

第一步：装CLI，跑通命令。 选一个平台（建议从钉钉开始，文档最全），装CLI，配置认证，手动发一条消息。10分钟搞定。

第二步：接MCP，让Agent能调工具。 用社区封装好的MCP Server配置文件，在Claude Desktop或Cursor里测试Agent调用CLI工具。

第三步：封装Skill，实现自动化。 把重复性业务流程写成Skill，设置触发条件，让Agent自动执行。

三个平台CLI同一周开源，不是巧合，是信号——企业级AI Agent的基础设施已经标准化了。 现在入场，正好赶上从"能用"到"好用"的窗口期。

下一步行动： 去GitHub搜索dingtalk-cli、feishu-cli、wecom-cli，Star一下，花30分钟装起来跑个hello world。然后打开龙虾官网（yitb.com）的Agent开发文档，找到MCP Server配置模板，把CLI接进你的Agent。今天就能让AI替你发第一条消息。