MCP让Agent有了接入真实数据的能力，但不是每一步都需要AI来做决定。

MCP上新已经有一段时间了，最直接的反馈来自开发者们的工作日常：接入MCP之后，合同审查、供应商筛查、投资背调这些场景确实跑通了，AI能自动理解意图、选择工具、综合分析，效果很好。

但大家也在摸索一个更有意思的问题：在一个完整的 Agent 工作流里，所有步骤都需要经过LLM推理吗？

答案是：不一定。

拿供应商尽调来说，核实工商登记状态、查一下法定代表人、确认注册资本……这些逻辑是确定的，输入确定，输出可预期。让LLM跑一圈当然也能完成，但就像用牛刀杀鸡。

所以我们在MCP之外，补了一条路：CLI 命令行接入。

不是替代MCP，而是给开发者多一个选择。需要 AI 思考的步骤走MCP，不需要 AI 思考的步骤走 CLI。同一个 API Key，同一套权益，按需切换。

01. MCP × CLI 双轨架构到底是什么

一句话说清楚：

需要 AI 思考的步骤，走 MCP；不需要 AI 思考的步骤，走 CLI。

MCP（Model Context Protocol）大家应该已经熟悉了。自然语言对话，LLM 自动理解你的意图，选择合适的工具，把数据融进分析里。适合复杂推理场景——比如"帮我综合分析这家公司的投资风险"。

CLI（Command Line Interface）是这次新发布的。命令行直接调用，确定性执行，不经过 LLM，零 Token 消耗。适合固定逻辑场景——比如"帮我查一下这家公司的工商登记信息"。

两者共用同一个 API Key，权益额度共享，不重复计费。

你可以理解为：MCP 是给 AI 用的"智能模式"，CLI 是给程序员用的"手动挡"。

02. 核心工作流：Discover → Call → Pipe

CLI 的使用逻辑非常直接，三步走。

第一步：发现可用工具

qcc discover

列出所有可用的数据工具，按功能分类：企业基础信息、风险扫描、知识产权、经营动态等。你知道手里有多少牌。

第二步：查看工具详情

qcc inspect company get_company_registration_info

了解某个具体工具的参数、返回字段、使用说明。不需要翻文档，命令行里直接看。

第三步：直接调用

qcc company get_company_registration_info "某公司"

一行命令，返回原始 JSON。实时数据，3.65 亿+市场主体，秒级响应。

更关键的是，CLI 天然支持 Unix 管道流操作：

qcc company get_company_registration_info "某公司" | jq '.data.reg_status'

你可以把查出来的数据直接喂给脚本、存入数据库、对接自动化流程。这是 MCP 做不到的——MCP 的数据要经过 LLM 处理，而 CLI 给你的就是原始数据，你说了算。

03. 安装：一行命令，开箱即用

不需要配 MCP Server，不需要写配置文件，不需要启动任何服务。

npm install -g qcc-agent-cli qcc init --authorization "Bearer YOUR_API_KEY"

安装完就能用。API Key 在控制台获取，和 MCP 用的是同一个。

返回示例：

{
"企业名称": "某公司",
"统一社会信用代码": "xxxxxxxxxxxxxxxxxxxxxxx",
"法定代表人": "xxx",
"登记状态": "在业",
"成立日期": "20xx-xx-xx",
"注册资本": "xxxxx万元",
"实缴资本": "xxxxx万元"
}

04. 真实场景：律师审查合同

光说概念不直观，来看一个真实场景。

某律所的合规团队要做供应商合同审查。传统做法是：律师手动打开相关查询工具，查一遍甲方工商信息，再看一遍司法风险，最后写进审查报告。每份合同大概要花 20 分钟。

用了 MCP 之后，AI 可以自动完成这个流程——但全部走 MCP 的话，Token 消耗非常高。因为很多步骤其实不需要 AI 推理。

现在用双轨架构重新设计这个流程：

Tier 1：主体信息核验（CLI 优先）

qcc company get_company_registration_info "签约方公司名称" qcc company get_legal_representative "签约方公司名称"

核实营业执照、法定代表人、注册资本。这是确定性验证，CLI 直接执行，零 Token 消耗，秒级返回。

Tier 2：风险深度扫描（MCP 接入）

告诉 AI："帮我分析这家签约方的诉讼风险、失信记录、经营异常情况。"

LLM 理解上下文后，自动调用风控大脑 Server 的 34 个风险扫描工具，综合 18 类风险维度给出判断。

Tier 3：生成审查报告（LLM 推理）

AI 把 Tier 1 的基础数据和 Tier 2 的风险分析整合起来，生成最终的合同审查建议。

你看这个流程的精妙之处：LLM 只在需要推理判断的地方介入，固定步骤全部交给 CLI 确定性执行。

实际效果：Token 消耗从原来全走 MCP 的每天 10000 降到 2000，省了 80%。

而且速度更快、更稳定——CLI 不可能产生幻觉，它就是查数据库，查完把结果给你，1+1=2 那种确定。

---

05. MCP 和 CLI 该怎么选

别纠结，其实选择很清晰。

场景	接入方式	原因
AI 对话框内查询企业信息	MCP	自然语言驱动，LLM 自动选择工具
合同审查中的风险综合分析	MCP	多维度推理判断，需要 AI 理解上下文
投资背调中的多维扫描	MCP	复杂分析，需要 AI 综合判断
验证企业工商登记状态	CLI	确定性查询，不需要推理
批量查询供应商基本信息	CLI	脚本化执行，管道流处理
自动化工作流中的数据节点	CLI	确定性执行，零 Token 消耗
数据入库、对接内部系统	CLI	原始 JSON 输出，灵活处理

简单判断标准：这个步骤需要 AI 思考吗？需要就走 MCP，不需要就走 CLI。

---

06. 背后的数据支撑

企业数据共有四个模块，MCP 和 CLI 都可以调用：

• 企业基座 Server（12 个工具） 工商登记基础信息——公司全称、统一社会信用代码、法定代表人、注册资本、经营状态。所有后续分析的基础；

• 风控大脑 Server（34 个工具） 失信被执行、严重违法、经营异常、司法拍卖、股权冻结、行政处罚……风险扫描的主战场。查询命中风险时，系统"触发即熔断"——直接发出停止信号，防止 AI 忽略硬红线；

• 知产引擎 Server（6 个工具） 专利、软件著作权、资质认证、ICP 备案、商标。做技术尽调时这层信息很关键；

• 经营罗盘 Server（13 个工具） 招投标记录、新闻舆情、融资动态、荣誉资质。静态数据看的是"它是什么"，动态数据看的是"它现在怎么样"。

不管是MCP还是CLI，底层调用的都是同一套数据库，数据持续更新，实时查询，CLI和MCP拿到的是同一个时间点的真实数据：

• 3.65亿+ 市场主体数据

• 2.5亿+ 司法诉讼数据

• 2.1亿+ 知识产权数据

• 4300万+ 新闻舆情数据

• 1.7亿+ 招投标数据

• 106万+ 投融资数据

• ……

①对开发者来说，数据脱敏处理，CLI不搞花活

返回的是原始 JSON，结构清晰，字段明确。你可以直接 jq 处理、存数据库、对接 API。不会给你塞一堆 HTML 或者嵌套八层的结构。

②实体强锚定，查对人不查错名

通过统一社会信用代码做强制验证。全国叫"腾讯科技"的公司有几十家，不锚定清楚，后面查的全是错数据，在数据层做二段式核验，MCP 和 CLI 都受益。

③强语义状态码，空值不是没信息

查询没有结果时，不是返回空值，而是告诉你"核验通过，无异常记录"。这对 AI 来说区别很大——空值让 AI 困惑，"无异常"让 AI 放心继续，对 CLI 脚本来说也一样，状态码明确比 null 好处理一百倍。

07. 三条命令，开始用

如果你是开发者，现在就可以开始：

# 第一步：安装 npm install -g qcc-agent-cli
# 第二步：初始化（API Key） qcc init --authorization "Bearer YOUR_API_KEY"
# 第三步：查一家公司 qcc company get_company_registration_info "你感兴趣的公司名称"

如果你已经在用MCP，那更简单——同一个 API Key，直接用，不需要额外注册。

MCP解决了AI Agent能不能用真实数据的问题，CLI 进一步回答了怎么用得更高效的问题。

这些数据现在同时通过两条路开放给开发者：一条让 AI 自己来取MCP，一条让开发者的脚本直接来取CLI。两条路不矛盾，反而配合起来更好用。我们内部跑下来，双轨模式比全走MCP平均节省更多的Token，Agent执行的稳定性也明显更高——确定性步骤不经过 LLM，就不会有不确定性。