在深入探讨 CLI + SKILL 之前，我们需要明确一点：Apifox MCP 仍然可用并持续维护。

MCP 遵循协议提供了标准化的工具连接，这对于以下场景非常有价值：

• 简单、定义明确的操作
• 偏好基于 MCP 工作流的用户
• 与符合 MCP 规范的客户端进行生态系统集成

我们并非要取代 MCP，而是构建了 CLI + SKILL 来作为补充。

我们发现，MCP 擅长连接工具，但对于复杂的研发工作流（包含校验、回读和验证的多步过程），Agent 更受益于可执行的工程流程。这就是 CLI + SKILL 的用武之地。

可以这样理解：

旧版 CLI：在流程末端运行测试

长期以来，Apifox CLI 一直是运行 API 测试的命令行入口。

apifox run --project <projectId> --test-scenario <scenarioId> --environment <environmentId>

这个基础仍然很重要。团队需要一种可靠的方式来：

• 从终端运行 API 测试
• 在 CI 流水线中生成报告
• 在自动化工作流中保留质量关口

但旧版 CLI 主要围绕测试执行展开。它出现在工作流的末端：

设计 → 文档 → Mock → 调试 → 测试 → [CLI 运行测试]

CLI 是最后一步 —— 在其他所有工作完成后进行。

新需求：Agent 需要更多能力

API 开发正在发生变化。

AI Agent 现在正参与到以下阶段：

对于这些工作流，CLI 不能仅仅是运行现有测试的最后一步。

它还需要为 Agent 提供一种稳定的方式来：

• 读取 API 资产（endpoints、schemas、environments）
• 创建或更新测试资产（test cases、test scenarios）
• 在写入前校验结构化变更
• 将变更写回项目
• 验证结果

系统性扩张，而非增量式添加

全新的 Apifox CLI 不仅仅是在旧版 CLI 基础上增加几个命令。

它是系统性地将 Apifox 的核心能力引入 CLI，使其成为开发者、脚本和 AI Agent 的工作流层。

背后的架构边界已经发生了巨大的变化。

MCP VS CLI：执行链对比

让我们对比一下复杂工作流的典型执行链。

MCP 路径（适用于工具连接）

初始化 MCP 会话↓加载工具列表 + 工具描述↓Agent 选择工具↓搜索更多工具 (listOpenApiEndpoints)↓获取 schema (getOpenApiDetails)↓执行 HTTP 调用 (executeOpenApi)

MCP 的优势： 将工具连接到 Agent 的标准化协议。

复杂性位置： 大部分复杂性存在于模型上下文和工具选择阶段。Agent 需要理解：

• 工具列表
• 工具描述
• 输入 schemas
• 调用序列
• 返回结构

适用场景： 具有明确工具到任务映射的简单操作。

挑战所在： Agent 必须编排多个工具、理解产品语义并处理校验的复杂工作流。

CLI + SKILL 路径（更适用于复杂工作流）

SKILL 判断任务类型↓CLI 执行产品语义命令↓cli-schema 校验结构↓agentHints 提供下一步建议↓验证循环 (获取回读或运行 apifox run)

CLI + SKILL 的优势： 将复杂性分散到工程系统中。

复杂性位置：

• SKILL：方法论和工作流引导
• CLI：产品语义执行
• cli-schema：写入前的校验
• agentHints：执行后的导航

适用场景： 多步工作流、重校验操作、Agent 驱动的测试。

核心区别：复杂性存在于何处

这两种方法之间的区别在于复杂性被放置在哪里。

在 MCP 中，模型必须承载：

• 使用哪个工具
• 工具描述说了什么
• 哪些字段是必填的
• 遵循什么序列
• 返回结构意味着什么

当任务到工具的映射很直接时，这种方式行之有效。

在 CLI + SKILL 中，工程系统承载：

• 这是什么任务类型 (SKILL)
• 执行什么命令 (CLI)
• 什么结构是有效的 (cli-schema)
• 下一步做什么 (agentHints)

当工作流具有校验关口、回读需求和验证循环时，这种方式效果更好。

典型工作流示例

这是一个 CLI + SKILL 工作流的具体示例：

# 步骤 1: 读取事实apifox endpoint get <endpointId> --project <projectId># 步骤 2: 写入前校验apifox cli-schema validate test-case-create --file ./test-case-create.json# 步骤 3: 执行验证apifox run --project <projectId> --out-dir ./apifox-reports

这三个命令代表了三个工程动作：

复杂工作流的 Agent 路径

对于复杂的、多步骤的工作流，Agent 的路径受益于 CLI + SKILL 结构。

复杂工作流的 MCP 路径

"选择工具 → 理解 schemas → 编排序列 → 处理错误"

Agent 需要：

• 从众多选项中选择合适的工具
• 理解工具描述和 schemas
• 编排正确的序列
• 通过重试处理错误

这可以工作，但每个决策点都需要大量的模型推理。

复杂工作流的 CLI + SKILL 路径

"读取事实 → 生成变更 → 校验结构 → 写入 → 运行验证"

Agent 需要：

• 首先读取现有事实（由 SKILL 引导）
• 基于事实生成变更
• 在本地校验结构 (cli-schema)
• 写入项目
• 运行验证 (agentHints 引导下一步)

工程系统处理了校验、引导和验证，从而减轻了模型的推理负担。

两条路径都能完成任务。CLI + SKILL 降低了模型上下文阶段的复杂性。

CLI 目前涵盖的内容

随着升级，CLI 现在涵盖了更多 Apifox 核心资源：

这改变了 Apifox CLI 的角色。

它不再仅仅是在一切完成后执行测试的一种方式。

它现在可以更早地参与到开发循环中 —— 在 Agent 需要执行以下操作的地方：

• 理解项目
• 生成或更新测试资产
• 校验变更
• 运行验证

架构总结

两者均可用。请根据您的任务进行选择。

下一步

既然我们已经确定了 CLI + SKILL 如何补充 MCP，接下来的问题是：

使 CLI + SKILL 在复杂工作流中发挥作用的核心原则是什么？

在第三部分 《黄金法则：CLI 产生事实，模型基于事实行动》 中，我们将探讨指导每一个 CLI + SKILL 决策的设计哲学 —— 从 cli-schema validate 开始，这个质量关口能在错误变成失败的写入之前将其捕获。

核心要点

• MCP 持续发挥作用 —— 将其用于简单操作和 MCP 生态集成。
• CLI + SKILL 补充了 MCP —— 更适用于带有校验的复杂工作流。
• 核心区别在于复杂性存在于何处：模型上下文 vs. 工程系统。
• CLI + SKILL 通过校验、引导和验证减轻了模型的推理负担。
• CLI 现在涵盖了项目、API、环境、测试用例、场景等。
• 两种方案均可用 —— 根据任务复杂性进行选择。

下载 Apifox，在一个工作空间内完成 设计、Mock、测试 和 文档 工作。了解更多关于用于命令行 API 测试、CI 自动化和 AI Agent 工作流的 Apifox CLI 的信息。

开发必备：API 全流程管理神器 Apifox

介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。

如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。

值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。