OpenClaw 作者：CLI 才是 AI 连接世界的终极接口

00 开篇：2 天 10 万 Star 的开源奇迹

先给你看一组数字：

2 天
10 万+ Star
700+ 技能插件
5 分钟部署

这是 OpenClaw 在 GitHub 上创造的成绩。

如果你还不知道 OpenClaw，它是一个本地化 AI 助手平台，前身是火遍全网的 Moltbot/Clawdbot。它可以在你的电脑上运行，支持 Telegram、飞书、WhatsApp 等多个平台，拥有 700+ 技能插件生态。

但最让人震惊的不是这些数字。

而是它的作者 Peter Steinberger 提出的一个极其"复古"的观点：

“忘掉 MCP，CLI 才是 AI 连接世界的终极接口。”

在 2025 年上半年，整个 AI 圈还在疯狂追逐 MCP（Model Context Protocol），试图为智能体定义标准化的 Schema 和 JSON-RPC 服务。

而 OpenClaw 用一种极其简单的方式给所有人上了一课：

要让 AI 获得一项新能力？写个 CLI 就行了。

这个观点为什么如此激进？又为什么如此有说服力？

让我们一探究竟。

01 一个"反直觉"的发现

Peter Steinberger 在开发 OpenClaw 时，发现了一个有趣的现象：

智能体拿到一个新工具时，会自发运行 my-tool --help。

然后，奇迹发生了——

仅仅通过阅读这份帮助文档，AI 就在那一秒钟内学会了如何操作这个工具。不需要复杂的配置，不需要手动编写 Schema，甚至连代码都不用看。

这让他意识到一件事：

CLI 对 AI 来说，比 GUI 对人类更友好。

为什么？

因为 CLI 的 --help 输出，本质上就是一份零噪音、高密度、且包含示例的 Prompt。

每个参数的用途清晰明确
有完整的使用示例（Few-shot learning）
结构化的选项说明

这简直就是为 LLM 量身定制的"使用说明书"。

而在 GUI 进化了 40 年后，CLI 是否正在因为 AI 而迎来一场"文艺复兴"？

图 1：CLI vs GUI 对比 - 左侧是复杂的 GUI 界面，右侧是清晰的 CLI 终端，AI 能直接理解 CLI 的帮助文档。

02 为什么 CLI 比 GUI 更适合 AI？

自描述性：`--help` 就是完美的 Prompt

人类觉得 CLI 难用，因为我们记不住参数。

但对 AI 来说，这不是问题。

当你给智能体一个新工具，它会：

运行 my-tool --help
阅读输出的文档
理解每个参数的作用
立即学会使用

零配置，零预训练，零人工对齐。

在 AI 时代，写好 --help 文档，比写好 UI 界面更重要。

组合性：Unix 哲学与思维链的天然契合

Unix 哲学的核心是：只做一件事，并把它做好。

通过管道（Pipe）进行组合，这正好与智能体的**思维链（Chain of Thought）**逻辑高度契合。

来看一个真实场景：

用户指令： “分析最近一周的错误日志并推送到飞书。”

智能体决策：
1
log-fetch --days 7 | grep "ERROR" | feishu-send --channel #ops

图 2：Unix 管道组合 - 通过管道连接三个命令，实现复杂的数据处理流程。

智能体不需要你编写复杂的集成逻辑。

它只需要像玩积木一样，通过编排原子化的 CLI 工具，就能实现复杂的自动化目标。

这就是涌现能力的来源。

低摩擦：写个 CLI 就能扩展能力

在 MCP 模式下，要给 AI 增加一个新能力，你需要：

定义 JSON Schema
实现 JSON-RPC 服务
编写 Prompt 模板
对接协议版本

而在 OpenClaw 的 CLI 模式下：

写一个命令行工具就行了。

想控制智能家居？写个 CLI。
想管理 WhatsApp 消息？写个 CLI。
想操作云服务器？写个 CLI。

奥卡姆剃刀原则的胜利：如无必要，勿增实体。

03 CLI vs MCP：不是替代，而是分工

你可能会问：

“既然 CLI 这么强大，那 MCP 还有存在的价值吗？”

答案是：当然有。

它们不是替代关系，而是分工关系。

CLI 的优势场景（个人/Hack 模式）

✅ 快速打通物理世界

比如你想让 AI 控制一个没有 API 的智能台灯或老旧软件。

✅ 本地极速自动化

只有你一个人用，追求极致的开发效率，不在乎严格的 Schema。

✅ 原则： “写个脚本就能搞定的事，别去写 Server。”

MCP 的价值场景（企业/生产模式）

✅ 能力标准化

你的工具需要提供给整个团队、在不同的编辑器或平台间共享。

✅ 安全治理

必须严格限制 AI 的动作边界，需要通过中间件进行审计和拦截。

CLI 的风险：赋予 AI Shell 权限意味着你把"核武器"交给了它
MCP 的护城河：代理架构，精细权限控制

✅ 复杂资源抽象

MCP 引入了"资源（Resources）“概念：

不仅能执行动作
还能将数据库表、日志流、设备状态抽象为 URI
甚至提供"动态提示词模板”，告诉 AI “针对这组数据，你应该关注哪些风险点”

核心差异总结

维度	CLI	MCP
定位	工具（Tools）	资源（Resources）
本质	瞬时、原子化的动作	持续、抽象化的能力
优势	敏捷、本地、快速迭代	标准化、可治理、企业级
适用	个人开发、快速原型	团队协作、生产环境

04 AI 原生 CLI 设计指南

既然 CLI 这么重要，作为开发者，我们该如何为 AI 构建命令行工具？

答案是：AI-Native Design（AI 原生设计）。

1. Help 文档即 Prompt

以前写 Help 是给人看的，现在是给 AI 看的。

✅ 多写 Examples

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


# 好的 Help 文档
USAGE:
  my-tool --source <file> --output <dir>

EXAMPLES:
  # 处理单个文件
  my-tool --source data.csv --output ./results

  # 批量处理（使用通配符）
  my-tool --source "data/*.csv" --output ./results

  # 跳过验证（谨慎使用）
  my-tool --source data.csv --output ./results --force

AI 最擅长模仿。多给几个 Example，AI 出错率会直线下降。

✅ 清晰的描述

明确每个参数的意图，特别是那些有副作用的操作（如 --force、--dry-run）。

2. 结构化输出

除了给人看的文本输出，务必支持 --json 参数。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17


# ❌ 让 AI 费劲解析 ASCII 表格
$ aws ec2 describe-instances
INSTANCE        STATE    TYPE
i-12345         running  t2.micro
i-67890         stopped  t2.small

# ✅ 直接吐出 JSON，方便 AI 解析
$ aws ec2 describe-instances --output json
{
  "Instances": [
    {
      "InstanceId": "i-12345",
      "State": {"Name": "running"},
      "InstanceType": "t2.micro"
    }
  ]
}

让工具直接输出 JSON，方便 Agent 进行后续的解析和逻辑判断。

3. 避免交互式输入

尽量支持非交互模式（Non-interactive）。

❌ 不好：

1
2


$ my-tool --delete-all
Are you sure? (y/n):  # AI 会卡在这里

✅ 好：

1

$ my-tool --delete-all --yes  # AI 可以一气呵成

不要让 CLI 弹出确认提示并傻等。提供 -y 或 --yes 参数，让 Agent 能流畅执行。

05 终极形态：CLI 是肌肉，MCP 是神经

OpenClaw 的成功，是**“简单优先”**的胜利。

它提醒我们：不要过度工程化。如果一个简单的 CLI 就能连接世界，就不要去折腾复杂的协议。

但 MCP 的价值，在于它为智能体建立了一套可治理的"契约"。

未来的终极形态可能是：

CLI 作为智能体的"肌肉" 负责执行敏捷的本地动作
MCP 作为智能体的"神经系统" 负责连接并治理复杂的分布式资源

实战决策树

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


你想给 AI 增加新能力
    │
    ├─ 只是你自己用？
    │   └─ 写个 CLI（5 分钟搞定）
    │
    ├─ 需要团队共享？
    │   └─ 封装成 MCP Server
    │
    └─ 涉及敏感操作？
        └─ 用 MCP 提供安全沙箱

06 结语：简单，才是终极的复杂

2025 年上半年，整个行业都在追逐 MCP，试图为智能体定义标准化的协议。

而 OpenClaw 用一种极其"复古"的方式给所有人上了一课：

有时候，最简单的方案，就是最优雅的方案。

CLI 之所以强大，不是因为它是新技术，而是因为它：

自描述：--help 就是完美的文档
可组合：Unix 管道天然契合思维链
低摩擦：写个脚本就能扩展能力

在 GUI 进化了 40 年后，CLI 是否正在因为 AI 而迎来一场"文艺复兴"？

答案或许已经不重要了。

重要的是：下次你想给 AI 增加一项新能力时，先尝试写一个支持 --json 的 CLI。

如果它开始变得复杂、需要被多人复用，再考虑将其封装为标准的 MCP Server。

工具是肌肉，协议是神经。

简单，才是终极的复杂。

参考资料

核心文章

教程指南

部署实战

视频教程

社区讨论

GitHub 资源

作者注： 本文基于 OpenClaw 作者 Peter Steinberger 的技术观点整理，结合 AI Agent 开发实践撰写。如果你对 OpenClaw 感兴趣，可以访问其 GitHub 仓库了解更多。