一句话看懂：开发者通过对比实验发现，在 Copilot CLI 中使用命令行包装的 MCP（模型上下文协议）工具，比直接加载完整 MCP schema 的代理模式节省约 5k 令牌的初始上下文开销，但实际执行效率和稳定性各有优劣。这项实验揭示了当前 AI 编码代理在“工具发现”阶段的成本分布差异。
事件核心：发生了什么
开发者 Maxim Saplin 在 GitHub Copilot CLI 上使用 gpt-5.3-codex-medium 模型，对同一份 9 步浏览器烟雾测试任务执行了两种路径：一是直接使用 Chrome DevTools MCP（模型上下文协议）服务器，二是通过 mcp2cli 工具将 MCP 包装为自定义 CLI 技能。在 Copilot CLI 中，直接 MCP 模式初始上下文约 24k 令牌（其中工具 schema 占用约 4.9k），而 CLI 包装模式仅需约 19k 令牌（工具 schema 占用 155），多出约 5k 的“上下文税”。实验共进行 6 次运行（每种模式 3 次），CLI 技能完成时间为 141–259 秒，直接 MCP 为 101–241 秒。最快的一次完成运行来自直接 MCP，但 CLI 技能的消息增长更稳定，未出现长等待波动。
为什么重要
这项实验直接衡量了 MCP 协议在真实编码代理中的上下文开销。每次代理决策前，MCP 服务器需将工具 schema 作为 JSON 加载到系统提示中，对于多工具场景会显著膨胀上下文。CLI 包装利用模型已有的命令行交互经验（如 --help、list 探测），将工具发现成本分散到运行时，而非一次性预加载。这挑战了当前“代理优先”的 MCP 架构假设，提示未来工具集成可能回归纯 CLI 模式，或通过轻量 schema 缓存减少上下文浪费。
对用户/开发者/创作者的影响
对于使用 GitHub Copilot CLI 或类似代理工具的开发者：
– 若现有 MCP 服务器 schema 较大（如 Chrome DevTools、数据库连接器等），可考虑使用 mcp2cli 等包装器来降低每次对话的初始上下文消耗，尤其适合长对话或任务链中需频繁切换工具的场景。
– 需注意 CLI 包装可能使代理需要额外步骤理解工具边界，嵌套复杂 MCP 服务器时可能依赖文档之外的运行时行为。
– 当前数据不支撑“CLI 更优”的结论，但“上下文税”在 400k 令牌模型上占比约 1.2%，随着模型上限扩大或工具数增加，差异会更为显著。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. mcp2cli 的声明（节省 96–99% 令牌）是否能在更大规模（如 5–10 个 MCP 服务器并行）时得到复现，需要独立验证。
2. Copilot CLI 的上下文基线（空白对话约 19k 令牌）是否会在后续模型更新中变化，影响该实验的实际意义。
3. 更多类似实验（如数据库、文件系统 MCP）能否揭示“工具发现成本”的通用规律，推动 MCP 协议迭代或新 CLI 包装标准。
来源：dev.to
