培训演示

Agent CLI 概览与工作流程

2026-05-13
·
阅读时间 11 分钟
·
技术团队

本文档介绍 Agent CLI 的核心概念、设计哲学与完整工作流程。---...

Agent CLI 概览与工作流程

一、概述

1.1 什么是 Agent CLI

Agent CLI 是智能体（AI Agent）与计算机系统交互的核心范式。在智能体语境下，CLI（Command Line Interface，命令行界面） 是 AI 操控环境最原始、最强大的手段——AI 通过生成文本命令直接与操作系统、文件系统、外部工具进行交互。

核心定义： Agent CLI = 自然语言输入 → LLM 推理 → 结构化命令生成 → 安全执行 → 结果解析 → 自然语言回答

架构定位： 在整个 Agent 工具调用体系中，CLI 处于执行层——它不负责”理解意图”（那是 Function Call 的事），不负责”协议通信”（那是 MCP 的事），也不负责”流程引导”（那是 Skill 的事），CLI 只负责一件事：把任务可靠地执行出来。

┌──────────────────────────────────────────────────┐
│                Skill（认知与流程层）               │
│   告诉 Agent：什么时候、按什么顺序、用什么标准做    │
├──────────────────────────────────────────────────┤
│              MCP（协议与通信层）                    │
│   标准化 Agent 与外部系统的连接方式                 │
├──────────────────────────────────────────────────┤
│           Function Call（意图与参数层）             │
│   将自然语言翻译为结构化的函数调用指令              │
├──────────────────────────────────────────────────┤
│              CLI（执行与行动层）  ← 本文焦点        │
│   可靠地、可复现地执行每一个具体任务                │
└──────────────────────────────────────────────────┘

1.2 为什么 AI 选择 CLI

LLM 本质上是文本生成模型——输入文本、输出文本。而 CLI 恰恰是计算机世界中最纯粹的文本交互范式：命令是文本，参数是文本，输出也是文本。这种天生的”语法同构”决定了 CLI 是 AI 与操作系统交互的最短路径：

交互方式优势劣势
GUI（图形界面）人类直观需模拟鼠标点击、像素识别，脆弱且难以泛化
API 调用结构精准需为每个工具单独编写适配代码
CLI（命令行）文本天然适配 AI，50年Unix生态沉淀需安全沙箱保障

相比其他方式，CLI 提供了一条统一且强大的中间路径：Unix 50 年积淀的管道（|）、重定向（>）、脚本组合能力，让 AI 通过简单的文本命令即可编排任意复杂的操作链。

二、核心架构：CLI-First 模式

2.1 设计哲学

构建确定性的 CLI 工具，再用 AI 提示词包装它。 Deterministic code execution > ad-hoc prompting

Requirements（需求） → CLI Tool（实现） → Prompting Layer（编排）
     要做什么              怎么做              智能调度

反模式（Prompt-Driven）：

用户请求 → AI 临时生成代码/操作 → 结果不可复现、难以调试

正确模式（CLI-First）：

用户请求 → AI 使用确定性 CLI → 结果一致、可复现、可测试

2.2 CLI-First 三步法

第一步：理解需求 —— 梳理系统需要支持的操作、数据实体、查询需求、输出格式、边界情况。

第二步：构建确定性 CLI —— 为每个操作用明确的命令实现：

# 命令结构：tool <command> <subcommand> [options]

# 创建操作
evals use-case create --name newsletter-summary --description "..."
evals test-case add --use-case newsletter-summary --file test.json

# 执行操作
evals run --use-case newsletter-summary --model claude-3-5-sonnet

# 查询操作
evals query runs --use-case newsletter-summary --limit 10
evals query runs --model gpt-4o --score-min 0.8

# 对比操作
evals compare models --use-case newsletter-summary --prompt v1.0.0

CLI 设计关键特征：

  • 显式：每个操作都有具名的命令
  • 一致：遵循标准 CLI 约定（标志、选项、子命令）
  • 确定性：相同命令始终产生相同结果
  • 可组合：命令可串联或脚本化
  • 可发现：tool --help 展示所有命令

第三步：用提示词包装 —— AI 将用户意图映射为 CLI 命令序列：

用户："运行 newsletter-summary 的评估，比较 Claude 和 GPT-4"

AI 执行：
  1. evals run --use-case newsletter-summary --model claude-3-5-sonnet
  2. evals run --use-case newsletter-summary --model gpt-4o
  3. evals compare models --use-case newsletter-summary
  4. 向用户呈现结构化的对比结果

2.3 提示词层的职责边界

提示词层负责提示词层不负责
理解用户意图用临时代码复制 CLI 功能
将意图映射为 CLI 命令绕过 CLI 直接生成方案
按正确顺序执行命令执行本应由 CLI 完成的操作
处理错误和重试逻辑”简单操作”就跳过 CLI
向用户总结结果

三、完整工作流程

3.1 ReAct 循环范式

Agent CLI 的执行遵循 ReAct（Reasoning + Acting） 范式，核心循环为：

思考（Reasoning） → 行动（Action） → 观察（Observation） → 思考（Reasoning） → ...

单次任务的完整六步流程：

┌────────────────────────────────────────────────────────────┐
│  ① 输入解析                                                │
│  用户通过自然语言提出需求，Agent 接收并开始处理                │
├────────────────────────────────────────────────────────────┤
│  ② 推理决策                                                │
│  LLM 分析任务，判断需要调用哪些 CLI 工具或命令组合            │
├────────────────────────────────────────────────────────────┤
│  ③ 命令生成                                                │
│  Agent 根据推理结果生成具体的 Shell 命令                     │
├────────────────────────────────────────────────────────────┤
│  ④ 安全执行                                                │
│  命令在沙箱环境或受控 shell 中执行，经过白名单和权限校验      │
├────────────────────────────────────────────────────────────┤
│  ⑤ 结果解析                                                │
│  Agent 捕获输出，进行结构化解析，提取关键信息                 │
├────────────────────────────────────────────────────────────┤
│  ⑥ 反馈回答                                                │
│  将执行结果转化为自然语言，向用户呈现最终答案                 │
└────────────────────────────────────────────────────────────┘

3.2 实际交互示例

# 用户提问（自然语言）
"我的电脑磁盘空间不够了，帮我看看是什么占用了空间？"

# Agent 内部推理
→ LLM 判断需要先查看磁盘使用情况

# 执行命令 1：查看磁盘整体使用率
$ df -h /
输出: /dev/sda1  100G  85G  15G  85% /

# 执行命令 2：找出最大的前10个文件/目录
$ du -sh /home/* 2>/dev/null | sort -rh | head -10
输出: 32G  /home/user/Downloads

# Agent 最终回答
"检测到您的根目录使用率已达 85%，主要占用空间的是
 /home/user/Downloads 文件夹（32G）。建议清理 Downloads
 文件夹中的无用大文件。"

3.3 多步骤编排流程

复杂任务中，Agent 会将多个 CLI 命令编排为工具链：

用户："运行所有评估用例，找出不及格的"

# 步骤1：获取所有用例列表
evals list use-cases --json

# 步骤2：对每个用例运行评估
for each use_case:
  evals run --use-case <id>

# 步骤3：查询不及格结果
evals query runs --status failed --json

# 步骤4：向用户呈现结构化报告

四、工作原理

4.1 核心机制：文本→命令→执行→反馈

                       ┌─────────────┐
  自然语言输入 ──────▶ │   LLM 推理   │
                       └──────┬──────┘
                              │
                       ┌──────▼──────┐
                       │  工具选择与   │
                       │  参数生成     │
                       └──────┬──────┘
                              │
              ┌───────────────┼───────────────┐
              │               │               │
       ┌──────▼──────┐ ┌──────▼──────┐ ┌──────▼──────┐
       │  Shell 命令  │ │  文件操作   │ │  API 调用   │
       │  (bash)     │ │  (Read/Edit/│ │  (HTTP/     │
       │             │ │   Write)    │ │   RPC)      │
       └──────┬──────┘ └──────┬──────┘ └──────┬──────┘
              │               │               │
              └───────────────┼───────────────┘
                              │
                       ┌──────▼──────┐
                       │  输出捕获与   │
                       │  结构化解析   │
                       └──────┬──────┘
                              │
                       ┌──────▼──────┐
                       │  自然语言     │
                       │  回答生成     │
                       └─────────────┘

4.2 安全机制

CLI 执行环境必须经过严格的安全控制：

安全层机制说明
沙箱隔离在受控环境中执行，限制文件系统和网络访问防止误操作影响宿主机
命令白名单预定义允许执行的命令集合阻止危险命令（rm -rf / 等）
权限校验执行前检查操作权限防止越权访问
输出过滤对执行结果进行安全过滤防止敏感信息泄露
超时控制设置命令执行时间上限防止死循环占用资源

4.3 命令配置标志设计

CLI 工具应通过标志暴露执行行为控制，使工作流能无需代码更改即可适应不同场景：

# 执行模式标志
tool run --fast           # 快速模式（省时，轻量）
tool run --thorough       # 全面模式（耗时，深度）
tool run --dry-run        # 预览模式（只展示不执行）

# 输出控制标志
tool run --format json    # 机器可读
tool run --format markdown # 人类可读
tool run --quiet          # 最小输出
tool run --verbose        # 详细日志

# 资源配置标志
tool run --model haiku    # 快速/低成本模型
tool run --model sonnet   # 平衡型模型
tool run --model opus     # 强大/高成本模型

# 后处理标志
tool generate --thumbnail  # 生成缩略图版本
tool process --no-cache    # 绕过缓存，强制重新执行

标志设计原则：

  1. 合理默认值：不带标志时工具也能正常工作
  2. 显式覆盖：标志修改默认行为
  3. 布尔标志：--flag 启用，不出现则禁用
  4. 值标志：--flag <value> 用于选择（模型、格式等）
  5. 可组合：标志之间应逻辑兼容

4.4 工具间协作机制

当一个任务需要多个工具配合时，Agent 采用以下协作模式：

模式说明适用场景
管道组合`cmd1cmd2
顺序编排依次执行多个命令有依赖关系的步骤
并行分派同时启动多个子Agent独立问题域并发处理
条件分支根据执行结果选择下一步需要动态决策的场景

4.5 多 Agent 并行模式

面对多个独立任务时，Agent CLI 支持并行 Agent 分派：

用户："修复这3个不同模块的测试失败"

Agent 1 → 修复 auth 模块测试（独立问题域）
Agent 2 → 修复 batch 模块测试（独立问题域）  同时执行
Agent 3 → 修复 abort 模块测试（独立问题域）

并行分派原则：

  • 一个 Agent 一个独立问题域 —— 不共享状态，不相互依赖
  • 任务规格化 —— 每个 Agent 获得明确的范围、目标和约束
  • 结果集成 —— Agent 返回后统一审查，运行全量测试验证

五、在整个 Agent 体系中的定位

5.1 四种核心范式对比

Agent 工具调用体系中存在四种核心范式，CLI 是其中最基础也是最强大的执行手段：

维度CLIFunction CallMCPSkill
控制力极高（系统级）中高（API级）中（资源级）中（流程级）
稳定性低（自然语言生成）高（Schema校验）极高（协议化）高（模版化）
安全性极具挑战较好（权限内）良好（标准鉴权）极高（受控闭环）
建设成本中中高（早期）极低
核心价值直接、通用执行结构化参数提取标准化集成领域知识固化
类比AI 的”四肢”AI 的”手”AI 的”USB-C”AI 的”肌肉记忆”

5.2 协同工作模式

在实际 Agent 系统中，四种范式协同工作：

用户请求
   │
   ▼
Skill 匹配 ← "这是一个代码审查任务，加载 code-reviewer Skill"
   │
   ▼
Function Call ← "需要调用 read_file(git diff) 获取变更内容"
   │
   ▼
MCP 连接 ← "通过 git-server 获取仓库差异"
   │
   ▼
CLI 执行 ← 实际执行 bash 命令、读写文件、运行 linter
   │
   ▼
结果返回 ← Skill 格式化为结构化的审查报告

六、最佳实践

6.1 CLI 设计准则

  1. 分层命令结构：tool command subcommand --flag value
  2. 多输出格式：人类可读默认 + --json 机器可读
  3. 幂等性：相同命令多次执行结果一致，--force 强制覆盖
  4. 验证机制：--dry-run 预览、--explain 说明
  5. 清晰错误信息：指出具体错误 + 建议修复方案
  6. 退出码规范：0 = 成功，1 = 用户错误，2 = 系统错误

6.2 提示词层最佳实践

// 正确：始终使用 CLI
await bash('evals run --use-case newsletter-summary');

// 错误：用临时代码复制 CLI 功能
const config = await readYaml('...');
for (const test of tests) {
  // ... 手动实现
}

6.3 何时使用 CLI-First 模式

应该使用 CLI-First：

  • 需要多次重复执行的操作
  • 相同输入必须产生相同输出的场景
  • 涉及文件、数据库、配置等状态管理
  • 需要查询、过滤、聚合数据
  • 需要独立于 AI 进行测试
  • 用户可能需要脚本化或自动化

不需要 CLI-First：

  • 仅执行一次的操作
  • 简单的单个文件读写
  • 纯计算（无状态管理或副作用）
  • 临时数据分析

七、关键结论

构建能脱离 AI 完美运行的工具，然后再用 AI 让它们更易用。 Build tools that work perfectly without AI, then add AI to make them easier to use.

Agent CLI 的本质是：AI 作为编排者，确定性代码作为执行者。AI 负责理解意图、选择工具、编排流程；CLI 工具负责可靠地、可复现地执行每个具体任务。这种分工使得 Agent 系统同时具备了 AI 的灵活性和传统软件的可靠性。

本文档基于 PAI 系统架构、CLI-First 设计模式、智能体工具调用体系等源文件合成。 最后更新：2026年5月

返回文章列表