一篇来自 Quandri 工程团队的技术分析文章猛烈抨击了由 Anthropic 推广的 MCP（Model Context Protocol）协议的实际效用。虽然 MCP 被标榜为 AI 生态的“USB-C”，但实测数据显示其存在严重的架构缺陷。首先，MCP 存在巨大的上下文浪费，仅连接四个常用服务（Linear、Notion、Slack、Postgres）的 MCP 服务器，就会在每次对话中消耗约 21,000 个 Token 来加载工具定义，占用了 GPT-4o 或 Claude 上下文窗口的 10% 到 16%，而这些定义往往大部分时间闲置。其次，MCP 架构引入了额外的中间层进程，导致初始化频繁失败、认证繁琐且响应速度比直接调用 API 慢 3 倍以上。相比之下，作者提出的“CLI 优先”策略及“Skills 模式”更为高效。通过直接让 LLM 使用 curl 或 psql 等现有命令行工具，不仅消除了 Token 浪费，还保持了人类与 AI 交互逻辑的一致性。文章指出，MCP 仅在缺乏 CLI 的纯 Web 场景或需要严格权限管控的生产数据库操作中仍有价值，不应作为所有 AI 工具集成的默认标准。
事件分析
该争议揭示了 AI Agent 基础设施演进中的“标准派”与“务实派”分歧。MCP 旨在通过标准化协议解决 LLM 与外部工具连接的碎片化问题，但在实际工程中，其“预加载全量工具定义”的设计理念与昂贵的 Token 经济学相悖。这反映出当前 AI 应用开发的一个核心矛盾：是构建一个全新的、专用的 AI 原生协议栈，还是让 LLM 直接适配已有的成熟软件生态（如 CLI 和 REST API）。CLI-First 策略的优势在于复用了数十年积累的 Unix 哲学——文本流、可组合性和高确定性，这对于提升 AI Agent 的操作可靠性至关重要。尽管 Claude Code 等工具开始尝试“延迟加载”来修补 MCP 的臃肿问题，但轻量级、原子化的指令集或许比复杂的协议层更适合当下的 LLM 架构。
💡 核心观点：MCP 试图建立 AI 生态的通用标准却引入了臃肿的中间层，回归原子化的 CLI 或按需加载的 Skills 才是轻量化 Agent 的务实路径。
原文链接：Hacker News
Codex CLI 深度
AI 模型横评
AI Agent 框架
Claude Code 订阅生存指南