MCP CLI Client：把 AI Agent 能力装进终端的利器

你有没有遇到过这样的场景：正在 terminal 里处理一堆文件，突然想问问 AI 某个错误日志的含义，或者想用 AI 搜索一下 Hacker News 的热门文章，却不想切换到 Claude Desktop 或者打开浏览器？MCP CLI Client 正是为这类需求而生的。

这是一款由独立开发者 Adhika Setya Pramudita 构建的开源工具，它将 Model Context Protocol（MCP）的生态与轻量级命令行界面结合，让 AI Agent 的工具调用能力直接在终端触手可及。

背景：为什么需要 MCP 客户端？

Model Context Protocol 是 Anthropic 在 2024 年底推出的开放协议，旨在标准化大语言模型与外部工具/数据源之间的通信方式。你可以把它理解为 AI 世界的 USB 接口——只要设备支持 MCP，就能无缝接入各种 MCP-compatible 服务器（搜索、文件获取、数据库查询等），无需为每个 LLM 提供商单独适配。

然而目前大多数 MCP 客户端（如 Claude Desktop）都是 GUI 应用，对于习惯在终端工作的开发者来说，频繁切换界面是一种不必要的摩擦。MCP CLI Client 的出现填补了这个空白：它让你在 bash/zsh 环境中直接调用 AI，并通过 MCP 服务器访问真实世界的工具。

类比：AI 编程的效率装备包

如果把 AI LLM 比作一位知识渊博但行动受限的顾问，MCP 协议就是赋予这位顾问手脚的神经系统，而 MCP CLI Client 则是让这整套能力在你终端里运行的驱动程序。就像 VS Code 的 DevContainer 让你不用手动配置开发环境一样，这个工具让你"开箱即用"地获得 AI Agent 能力。

核心功能：不止是 prompt

多模态输入：文本与图片并行处理

项目基于 LangChain 的 multimodal 能力，支持图片输入管道（image piping）。用户可以直接将截图或照片通过管道符 | 传给 LLM 分析：

$ cat screenshot.png | llm "Is there any error in this screenshot?"

这对开发者调试日志截图、UI 问题排查特别有用——无需截图上传到 GUI，直接在终端搞定。

MCP 工具调用：赋予 AI "行动力"

这是 MCP CLI Client 最核心的价值。它内置了对 MCP 协议客户端的支持，通过配置文件 ~/.llm/config.json 定义要连接的 MCP 服务器，即可让 LLM 调用真实世界的工具。例如配置 Brave Search 服务器后，AI 就能实时搜索网页：

$ llm "What is the top article on hackernews today?"
# AI 自动调用 brave_web_search 工具
# 获取 Hacker News 热门文章并总结

工具调用前可以设置 requires_confirmation，需要用户手动确认后才执行，防止 AI 误操作风险。

提示模板：工作流自动化

内置的 prompt 模板系统支持预设指令，开发者可以定义自己的模板并在命令行中调用：

$ llm p review   # Git 代码审查
$ llm p commit   # 自动生成 commit message
$ llm p yt url=https://youtube.com/...  # YouTube 视频摘要

剪贴板支持：跨平台无缝衔接

支持从系统剪贴板读取文本或图片内容：

$ llm cb "What language is this code?"   # 分析剪贴板代码
$ llm cb "What do you see in this image?" # 分析剪贴板图片

覆盖了 Windows (PowerShell)、macOS (pbpaste/pngpaste)、Linux (xclip) 以及 WSL 环境。

对话记忆与持续

内置 SQLite + 向量搜索持久化记忆机制，通过 save_memory 工具保存用户偏好的上下文，下次对话自动加载。c 前缀用于继续上一轮对话：

$ llm c "Tell me more about what you see"

多 LLM 提供商支持

配置文件中可指定 OpenAI、Anthropic、Google GenAI 等提供商，也可通过 base_url 接入 OpenRouter 等兼容 OpenAI API 格式的第三方服务。甚至支持本地 LLM（通过 llama.cpp），实现完全本地化的 AI 终端体验。

技术架构：LangGraph + MCP 的深度整合

Agent 运行机制

代码核心是 cli.py 中的 AgentState 类和 LangGraph 的 create_react_agent 工厂函数。AgentState 维护对话消息历史、is_last_step 标志（控制对话轮次上限，默认 5 步）、以及记忆数据。ReAct（Reason + Act）模式让 AI 在每轮对话中交替进行推理和工具调用，直到得出答案或达到步数上限。

MCP 工具包动态加载

tool.py 中的 McpToolkit 类是 MCP 协议的核心实现。它在启动时通过 stdio_client 以标准输入/输出方式连接到 MCP 服务器（通过 npx / uvx 等命令启动），动态获取服务器暴露的工具列表，将其转换为 LangChain 的 BaseTool 对象，最后注册到 Agent 的工具集中。这一切都在异步上下文中完成，使用 asyncio.Lock 保证并发安全。

持久化存储层

memory.py 实现了基于 SQLite 的 SqliteStore，继承 LangGraph 的 BaseStore 接口。底层使用 aiosqlite 实现异步读写，命名空间设计为 ("memories", user_id) 的二元组结构，配合向量搜索（需要外部 embedding 模型）实现语义记忆检索。这为 AI 提供了跨会话的上下文连续性。

输入输出处理

input.py 封装了跨平台的剪贴板读取逻辑，PowerShell（Windows/WSL）和原生命令（macOS/Linux）各有实现路径。output.py 则使用 rich 库提供实时渲染的 Markdown 输出，通过 Live 对象实现流式输出的视觉效果，让 AI 的思考过程和中间结果在终端实时可见。

代码质量评估

项目采用标准的 Python 3.12+ 类型注解体系，Pydantic v2 数据模型验证配置结构，整体代码风格清晰、模块边界明确。依赖管理使用 Hatch 构建系统，pyproject.toml 中声明了所有外部依赖（langchain、langgraph、mcp-python-sdk、rich 等）。缺陷方面：目前没有配套的测试套件（.github/workflows/test.yml 存在但可能未完善），文档质量较高（README + CONFIG.md + AGENTS.md 三件套），代码可维护性良好但测试覆盖率有待提升。

争议与局限

配置复杂度：虽然 pip 安装极简，但 ~/.llm/config.json 的 JSON 配置对非技术用户仍有一定门槛，MCP 服务器的安装（如 uvx mcp-server-fetch）还需要额外依赖。

无 Docker 支持：项目完全面向本地 Python 环境，对习惯容器化部署的用户不友好，也不支持快速部署场景。

MCP 服务器生态碎片化：MCP 协议仍处于快速发展期，服务器质量参差不齐，部分服务器需要申请 API Key（Brave Search 等），增加了实际使用成本。

安全边界：AI 通过 MCP 工具执行真实命令（如运行脚本），即使有 requires_confirmation 机制，在脚本自动化场景中仍需谨慎。

行业意义与趋势

MCP CLI Client 代表了 AI 工具的一个新兴方向——终端原生 AI Agent。随着 LLM 推理能力的提升和 MCP 生态的成熟，类似的 CLI 工具将成为开发者日常工作的标配。它的出现印证了三个趋势：AI 能力从 GUI 向 CLI 迁移、MCP 协议逐步成为 AI 工具互联的事实标准、以及本地化/私有化 AI 部署需求的增长。截至 2026 年中，该项目已获得 677 stars、MIT License，活跃维护中（最近更新于 2026 年 6 月），社区参与度高（22 个 open issues），是 MCP 生态中值得关注的项目之一。