🔌 MCP 高频工具 与 skill+CLI 替代 MCP 的优劣
一句话定位
MCP(Model Context Protocol)是 Anthropic 于 2024-11 提出的开放协议,让 LLM 通过一套标准接口(JSON-RPC)调用外部工具 / 资源 / 数据源,把「模型该有的能力」从模型本身下沉到服务端,实现一次接入、多客户端复用。
Part 1:高频 MCP 工具盘点
1.1 先懂 MCP 的三个面(面试必答)
- Host(宿主):Claude Desktop / Claude Code / 各种 Agent 框架,负责调度。
- Client(客户端):Host 与 Server 之间建立连接、发起调用的那一端。
- Server(服务端):暴露能力的一方,实现工具/资源/提示词。
- 三种原语:
tools(可调用函数,带输入 schema)、resources(可读数据)、prompts(可复用的提示模板)。 - 传输层:本地
stdio(子进程)+ 远程Streamable HTTP。 - 发起方:David Soria Parra、Justin Spahr-Summers;现已被 OpenAI(2025-03 采纳)、Google(Gemini、2025-04 采纳)等多家厂商认可,成为事实上的可互操作工具层标准。
- 规范/版本:schema 同时给 TypeScript 与 JSON 两份定义;官方 SDK 覆盖 Python/TS/C#/Go/Java/Kotlin/PHP/Ruby/Rust/Swift,生态语言齐全。
1.2 官方参考服务器(modelcontextprotocol/servers)
面试记忆点
官方维护的参考实现主要是「示范功能」而非生产级,但点子都在。核心几个:Filesystem、Git、Fetch、Memory、Time、Sequential Thinking、Everything(测试用)。
| Server | 作用 |
|---|---|
| Filesystem | 受控的文件读写(可配置访问白名单) |
| Git | 读/搜/改 Git 仓库 |
| Fetch | 抓取网页并转成适合 LLM 的文本 |
| Memory | 知识图谱式持久记忆 |
| Time | 时间与时区转换 |
已归档(多因被社区专责接管,如 GitHub/Slack/Postgre 等都有了更活跃的官方或社区版):
GitHub、GitLab、Google Drive、Google Maps、PostgreSQL、Redis、SQLite、Puppeteer、Slack(现由 Zencoder 维护)、Sentry、Brave Search(现由 Brave 官方接管)、AWS KB Retrieval、EverArt 等。
1.3 按场景盘点「高频实用」MCP(面试主菜)
| 场景 | 高频 Server / 工具 | 备注 |
|---|---|---|
| 文件 / 代码 | Filesystem、Git、GitHub(官方向)、GitLab | Agent 改代码、提 PR 标配 |
| 网页 / 内容 | Firecrawl(抓取+转md)、SearXNG(自托管搜索)、Fetch、Puppeteer/Playwright(无头浏览器) | 建 RAG 语料常用 |
| 数据库 | PostgreSQL(多种实现,如 crystal/ReadOnly)、SQLite、Redis、DuckDB 等 | 多数默认只读,防破坏 |
| 办公协同 | Notion、Slack、Google Drive、Linear、Jira | OAuth 天然适配,SaaS 协作 |
| 开发 / 部署 | Docker、Kubernetes、Playwright、AWS/GCP/Cloudflare 各云厂商 | 工程效率 |
| 记忆 / 知识 | Memory、Chroma / Deep Lake 等向量库 | Agent 长期记忆 |
| 搜索 | Brave Search、Perplexity、Google 系 | 联网检索 |
| 内容创作 | 图片生成、视频、文档排版(可对接各 AI 生成服务) | EverArt 原官方,后社区化 |
国内生态(未核实,面试若被问可答「在跟进,数字不确定」)
国内各家模型平台/云厂商也在推 MCP 化接入(阿里百炼 ModelScope、百度千帆、腾讯 等据称都有 MCP 布局与兼容),但具体 Server 清单与稳定性我未逐一核实,不硬编细节。若面试追问国内工具,建议投前自己搜一版最新盘点。
1.4 去哪里找「高频」清单(面试可提)
- 官方 Registry:
registry.modelcontextprotocol.io - 社区目录:Smithery、mcp.so、PulseMCP(聚合了大量社区 Server,可看热度/下载量)。
- 面试话术:「我会先在官方 Registry 和社区目录看热度,再按自己业务挑」。
Part 2:skill + CLI 替代 MCP —— 是什么、为何兴起
2.1 拆开三个词
- Skill:打包「指令 + 知识 + 校验脚本」让 agent 复用的能力包(Claude Skills / agent skills)。本质是把「团队或个人怎么做某件事的 know-how」写进普通文件,agent 能读、能照着执行,还能跑 script 自校验结果。
- CLI:命令行工具。各开发工具基本都带 CLI(
gh、curl|jq|grep、npm、wrangler等),天然可组合。 - 组合思路:「SKILL 注入怎么做(知识/提示),CLI 直接动手(执行),跳过 MCP 服务层」——尤其对单人/轻量/本地场景,动机是省掉 MCP 的部署、鉴权、调试成本。
2.1c skill vs agent:特点对比(面试最直接一句)
面试让”简单清楚介绍 skill 和 agent 特点”的必答口径。
- Skill = 固定的 SOP 流程:把”某件事怎么做”写成确定步骤,追求稳定、可复用的流程——交给它就在既定路径上执行,结果可控、可回归。
- Agent = 能思考、会规划、自主决策的执行体:基于环境/观察动态决策去调用不同的工具和不同流程——不固定走一条路,会计划、会试错、会兜底。
- 一句话对比:Skill 是”怎么做的标准动作”(稳定复用),Agent 是”怎么做最合适的决策者”(思考/规划/观察决策);一个追求确定性,一个追求自主性。生产中常用 Agent 当大脑、把单步动作做成 Skill 供其调用。
2.1b skill 的内部机制(面试多想一步)
面试官想听的是”skill 到底怎么工作”,可以往内部讲。
- Skill = 一个目录(能力包):核心是
SKILL.md(frontmatter 写name/description,正文写操作步骤/规范/范例),可外加scripts/(可执行校验脚本)、references/(补充知识)、配置文件。 - 怎么被发现/加载:agent 启动时扫描技能目录,读取每个 skill 的
description建立索引;只有当用户任务命中某个 skill 的描述时,才把那个 SKILL.md 内容按需加载进上下文(不是全部常驻)——所以描述写得好不好直接决定”命中率”。 - 怎么执行:skill 正文指导 agent 一步步做;需要校验时
scripts/里的脚本跑一遍验证结果对不对,agent 据此纠正。 - 和模型的关系:skill 本质是注入上下文的知识/指令,不微调模型、不依赖网络服务,纯本地文件,天然可放进代码库版本管理。
- 一句话:skill = 按需把「某件事的 know-how」注进上下文,description 决定命中,scripts 负责自校验;轻、离线、可版本化,这也是它用来替代 MCP 服务的根因。
2.2 为什么有人用它替代 MCP
- 不必起一个常驻 Server、不用 JSON-RPC 配置、不用维护 token/网络。
- 复用本机已装好的命令,
curl | jq流水式管道,比串多个 MCP 调用更自然。 - Skill 可以注入专有领域判断(话术、代码规范、评审流程),这是纯工具调用给不了的「上下文」。
2.3 优势 vs 短板(面试对比)
✅ Skill + CLI 的优势
- 轻量:一个文件夹(Skill 就是指令+脚本)+已装 CLI,零常驻服务、零新依赖。
- 无暴露面:不对外开 HTTP 服务端口,没有因开 MCP Server 引入的无鉴权攻击面/越权风险。
- 复用已装工具:不重复造轮子,管道天然可组合(
a | b | c)。 - 可注入指令与知识:Skill 里带提示词、样例、禁忌、校验脚本,agent「知道怎么做」而非只会「能调什么」。
- 非工程师也易上手:Skill 约等于普通文件,无需终端/无需 docker。
❌ Skill + CLI 的短板
- 无统一标准:每个 CLI 的鉴权、flag、报错都不一致,跨工具无法标准化。
- 不可被外部/其他客户端复用:没有标准接口,别的 agent/客户端认不出来;无法像 MCP 那样被任何 host 发现式调用。
- 依赖本地环境:要装好命令、配好环境变量,镜像/远程/无 shell 环境就跑不了。
- 跨工具生态弱:无统一
tools/list / tools/call,缺少会话级细粒度权限——想让 agent「能用 gh 但禁删分支」几乎没法统一管控。
✅ MCP 的优势
- 标准化协议:统一
tools/list/tools/call接口,所有客户端一视同仁、可被发现与调用。 - 多样客户端:写一次 Server,Claude/Codex/Gemini 等都能用。
- 服务化 / 共享:可把复杂能力做成独立服务,团队/多人复用。
- 鉴权与审计:OAuth 内置于规范;会话级
allowedTools细粒度授权,配好即可,是后台无人值守 agent 的刚需。
❌ MCP 的短板
- 部署/配置成本:要起 Server、配 client、管依赖,比「一个脚本」重。
- 网络 / 鉴权:远程 MCP 要处理认证、网络、越权面(开个服务就多个风险入口)。
- 调试难:stdio/HTTP 两层、工具调用黑盒,排查比 CLI 麻烦。
- 大文件传输别扭:协议定位是「控制面」,传大输入(如图片)不顺手。
2.4 判断框架(可直接背)——「谁在用、解决什么问题」
面试万能答案(来源 jngiam,2026-03)
它们不是互相替代,是解决不同问题:
- Skill → 团队/个人的过程 know-how 与判断(怎么做、什么好坏),人人通用。
- CLI → 开发者的构建/黑客模式(管道组合、本地快)。
- MCP → 已鉴权的 SaaS 接入 / 企业 / 无人值守的 background agent(要权限边界、要审计、要一键接入)。
一句话:「CLI 和 MCP 给 agent 工具,Skill 给 agent 用好工具的上下文。」
| 维度 | Skill | CLI | MCP |
|---|---|---|---|
| 本质 | 过程 know-how | 开发者工具链 | 已鉴权 SaaS 接入 |
| 最佳用户 | 所有人(个人/团队) | 开发者(build 模式) | 企业 / 非工程师 / 后台 agent |
| 鉴权模型 | 无 | 本地令牌(各异) | 内置 OAuth |
| 访问控制 | N/A | 难按会话细粒度隔离 | allowedTools 按会话 / MCP 网关 |
| 可组合性 | N/A | 原生管道 | 靠「结果落盘」workaround |
| 大输入传输 | 自然 | 自然 | 目前别扭 |
| 凭据 UX | N/A | 终端命令(对新手难) | 一键 UI |
| 典型场景 | 写作/评审/销售方法论 | gh、curl||jq、npm | 多人协作、企业权限、定时 agent |
2.5 补充洞察(面试加分)
- 「技能之间的边界在模糊」:已有项目把 MCP Server 暴露成 CLI、或把 CLI 包成 MCP,两条路都在汇合。
- 别被「MCP 已死 / CLI 才是唯一」带偏——那是开发者社区视角;企业/非工程师群体反而在拼命把每个 SaaS 都接上 MCP。两种声音都真实,只是用户不同。
- 大模型团队面试常考:「给你的 Agent 接工具,选 MCP 还是写脚本?」 → 答「看场景」:单机/本地/自用倾向 CLI+Skill;要共享、要权限、要后台无人值守、要给非工程师 → MCP。
💥 补充:技能/工具执行与「沙箱」(面试能说两句)
面试官问工具/skill 执行的安全与隔离时,能讲「沙箱」就加分——你做的 agent 要跑工具/代码,怎么保证不搞坏环境。
为什么需要沙箱:Agent 会让模型执行工具或生成的代码(文件操作、跑脚本、访问网络)。不加隔离,一次错误调用就可能改坏本地系统或泄露数据。
沙箱的常见形态(按隔离强度从低到高)
- 权限/授权层:给工具调用设权限白名单、危险操作二次确认(如 Claude Code 的权限系统)。
- 进程/文件系统隔离:在受限子进程或临时目录里跑;限制可访问路径、网络。
- 容器化沙箱(生产主选):把执行放进 Docker 容器 / gVisor / Firecracker 等隔离运行时——窄文件系统 + 无/受限网络 + 无宿主权限。OpenAI Codex 云沙箱、一些 coding skill 的 sandbox 都属此类。
- 网络隔离 + 审计:沙箱内禁止外连或走代理白名单;全程日志留痕可回放。
一句话记忆(能说两句)
Agent 执行工具/代码要落在沙箱:权限白名单 + 容器化隔离(Docker/gVisor)+ 网络受限 + 审计日志;单机用 CLI/Skill 也要拍照回退,生产无人值守更必须沙箱兜底。
📝 面试复述提纲
- MCP 一句话 + 三原语(tools/resources/prompts)+ 传输(stdio/HTTP)+ 厂商采纳情况。
- 高频工具按场景报 3-5 个(Firecrawl、Filesystem/Git、Postgres、Notion/Slack、Playwright)。
- Skill/CLI/MCP 三者定位区分,各报优劣,落到「按场景选」。
- 有明显优势方向:后台 agent 强制走 MCP;本地重构工具用 CLI+Skill、注入专属知识。
⚠️ 未核实 / 存疑项
- 国内(阿里 ModelScope / 百度千帆 / 腾讯)的 MCP Server 具体清单与稳定性:未逐一核实,面试被追问只定性不举细节。
- MCP「被 OpenAI/Google 采纳」的具体时间点:大致记忆(OpenAI 2025-03、Gemini 2025-04 表态,未逐字核对),面试口头回答要不精确时间就说「已获多家主流厂商采纳」。若投前建议以官网新闻为准。
- 「有用 Skill+CLI 完全替代 MCP 的公司」案例:多出自开发者社区(Reddit/Medium/个人 blog),无企业级权威统计,属观点性证据,非官方数据。