https://www.woyaofei.cn/343.html阅读路径:这篇表面在比协议,实际在讲「谁接住生产流程」。第一组是一个真实调用带来的反转(MCP 工具返回的是方法,不是数据);第二组把两者的定位摊开;第三组看 CLI 在 Skill 里到底干了哪些脏活,这组最像工程手册;第四组给出一条能直接用的判据。只记一句也行:看结论要不要离开聊天窗口。
一句话结论:MCP 和 CLI 不是新旧关系,是问答与生产的关系——MCP 负责把方向摸出来,CLI + Python 管道负责把结果接住、记账、复跑、审计;Skill 的价值不在「能调多少工具」,在「同一套动作下周换一个 ASIN 还能不能稳定跑出来」。
他翻自己写过的亚马逊运营 Skill:市场调研用 Sorftime CLI、竞品监控用 CLI、VOC 报告还是 CLI。于是问题来了——既然 Sorftime 官方提供 MCP,为什么主干不是 MCP?
他承认这有点反直觉:MCP 更像「为模型准备的入口」,接上以后运营用自然语言提问,模型自己找工具、调接口、组织答案,听起来更顺。
他在 Codex 里输入「B0FCYFS3LW,单个产品分析报告」,本以为会拿到一份完整报告。实际只调用了一次 product_report,返回的内容是一段分析步骤:查详情 → 类目 Top100 → 好评差评 → 类目特点对比 → 反查关键词 → 扩词与投放建议 → 输出结论。
他的判断是:这不像数据接口,更像流程提示器——它把「单品报告该看什么」递给了模型。
不是「这次能不能查到」,而是:这次调了哪些接口、花了多少额度、原始 JSON 存在哪、失败能不能接着跑、换个 ASIN 或类目还能不能按同一套口径再来一遍。
这五个问题一冒出来,选择就不纠结了。
这一组把「工具选型」从偏好问题变成了工程问题。他没有否定 MCP 的体验,而是指出体验背后缺什么:过程不可记账、结果不可留存、失败不可续跑。这三件事在一次性问答里无所谓,在每天跑的 Skill 里是致命的。
你的 K 线源链现在就是「流程提示器」的反面:源是写死的顺序,谁失败谁退位,但你不知道这次是谁出的数据。照他的问法自查五个问题——调了哪些接口(无记录)、花了多少额度(无记录)、原始 JSON 存哪(内存里)、失败能续跑吗(不能)、换一只标的同口径吗(能)。前四个都要补。
| 维度 | MCP | CLI |
|---|---|---|
| 性质 | 模型上下文协议 | 命令行界面 |
| 核心对象 | AI 应用、模型、Agent | 程序员、Shell、自动化任务 |
| 目标 | 让模型发现、选择、调用外部能力 | 让脚本用明确命令调用程序 |
| 交互 | 自然语言 → 模型理解 → 工具调用 | 明确命令 → 参数 → 执行 |
| 典型使用 | 查数据、调工具、生成初步分析 | 批量查询、定时任务、ETL、调试、CI |
| 控制重点 | 权限、Schema、上下文、人在环 | 命令精确性、日志、脚本稳定性 |
他写得干脆:前者服务对话,后者服务工程流程。问题不在于哪个更先进,而在于你此刻要完成的是「问答」还是「生产」。
这张表解决的是定义混乱——很多人把 MCP 当成「更先进的 API」,把 CLI 当成「过时的命令行」。他的划法不是按技术代际,而是按交付形态:结果只给人看一眼,还是变成文件、报告、SOP 的一部分。
你现在其实是「纯 CLI 派」:所有脚本都走命令行,但缺了 CLI 最该有的两样——日志与幂等。他的表里 CLI 的控制重点是「命令精确性、日志、脚本稳定性」,你只有第一条。给每个脚本加 --dry-run 与结构化日志(jsonl,带 run_id),才配得上「走 CLI」这个选择。
他的采集片段是:先算缓存文件名,命中就读本地 JSON 并往 manifest 写一条 cache_hit=True, request_consumed=0;没命中才真调 CLI,然后写 request_consumed、request_left。也就是说每一条请求都留下「这次花了多少、还剩多少」。
VOC 拉评论是按页循环,每页追加到 JSONL,并且记录 stop_reason:empty_page(空页结束)或 reached_total(达到总数)。这两个原因不是装饰——它决定下次复跑时「少的那部分该不该补」。
报告阶段把 raw 导入 DuckDB,生成 facts,再把「模型需要看的部分」压成 agent_input。模型不读全部原始 JSON,只拿事实包、证据片段和需要判断的部分。
分页、重试、缓存、存盘、记账、校验、渲染——都是系统里的脏活累活,但正是它们让结论能落到选品、备货、广告、Listing 改版上。
这一组是「为什么 CLI 更适合当主干」的实证。他没有讲协议优劣,而是把一段真实代码摊开给人看:每一步都有文件路径、状态、成本、停止原因和复跑入口。可靠性不是模型给的,是这些琐碎记录给的。
这是三篇里最能直接照抄的一段。你的转写、抓取、渲染都没有 manifest:转写失败了重跑整段,抓取少一天不知道是空页还是被限流。加三个字段就能解决大半问题——stop_reason、request_consumed、cache_hit,写进 runs/<日期>/manifest.jsonl。
如果愿意在 MCP 服务端后面接缓存、任务队列、文件存储、数据库、manifest、分页状态和报告渲染,MCP 一样能跑完整流程。但到那一步,托住流程的已经是「MCP 后面的那条数据管道」,不是「把 MCP 接进客户端让模型自己调工具」。
一个问题:这份结论能不能离开聊天窗口?
| 答案 | 选择 |
|---|---|
| 用户当场看一下就行 | MCP 够用 |
| 要进报告、发团队、下周复盘、沉淀 SOP、对来源负责 | CLI + Python 数据管道进主流程 |
先用 MCP 摸清问题 → 把稳定流程沉淀成 CLI 请求计划 → 再封装进 Skill。他把这条写成了一张流程图式的操作标准:越往右,交付越重,数据就越应该从上下文里退出来,进入文件、数据库和报告产物。
结尾他反复拆掉「CLI 好、MCP 不行」的误读:MCP 在探索阶段的价值明确,而且会越来越常用。真正被他否掉的是「用对话式客户端承担生产流程」——那不是工具问题,是位置问题。
你现在所有取数都在「上下文里」完成——我调接口、读 JSON、直接写报告,中间没有任何落盘。按他这条判据,你的晨报属于「要发团队、要下周复盘」那一类,所以数据必须退出上下文:先落 raw,再落 facts,最后渲染。这也是为什么每次数据源抽风,你只能问「今天怎么没有」而查不到原因。
| 这篇里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 五个自问(接口/额度/落盘/续跑/口径) | 取数全在内存,无记录 | 每次运行落 manifest:源、次数、耗时、失败原因 |
| cache_hit / request_consumed | 有缓存文件,但不记账 | 缓存命中写一条,省了多少次请求一目了然 |
| stop_reason | 抓取失败一律「没数据」 | 区分空页 / 限流 / 超时 / 解析失败 |
| 事实包(raw → facts → agent_input) | 我直接读原始 JSON | 生成 facts.json,模型只读摘要与证据 |
| 问答 vs 生产 | 晨报偶尔靠对话临时补数 | 要进报告的必须走管道,临时对话只用于探索 |
| 结论能否离开聊天窗口 | 没有这条判据 | 写进 WORKING-METHODS.md,当脚本化的准入标准 |
原文:Jax丰哥《亚马逊 Skills 中到底应该用 MCP 还是用 CLI》,2026-07-03,约 1.46 万字。
本篇依据:原文全文逐段核对。product_report 的返回内容、六维对照表、manifest 字段、stop_reason 两种取值、三步式选择均为原文表述;代码片段为原文摘录后节选。
更正与边界:这篇讨论的是亚马逊运营 Skill 的工具选择,不是协议设计比较(他开头就声明了)。另外他的结论有一个前提——业务需要批量、审计、复跑;如果你的场景就是一次问答,照他的判据反而该用 MCP。
定位:中文深蒸馏,不是译稿也不是逐字摘要。标「对你的实际应用」的部分是我的分析,与原文分开;引用原文处标「原文在说什么」。