AI 应用工程入门（十五）：CLI 和 Coding Agent 为什么重要？

网页对话适合问答，但真实工程发生在代码仓库、终端、Git、测试命令、构建命令、部署命令和日志里。CLI 和 Coding Agent 是让 AI 进入工程现场的关键入口。

题目 1：CLI 是什么？

标准答案：CLI 是 Command Line Interface，也就是命令行工具。对 AI 工程来说，CLI 是启动项目、跑脚本、执行迁移、运行测试、查看日志和部署服务的地方。

工程要点：不需要一开始成为运维专家，但必须能独立完成启动项目、复现问题、修改代码、验证结果和提交变更这条链路。

题目 2：为什么 AI 工程师必须会 CLI？

标准答案：因为真实 AI 应用离不开工程环境。文档入库、生成 embedding、跑评测集、调试 MCP Server、部署服务，都经常通过命令行完成。

工程要点：AI 应用工程师不是只会写 Prompt，而是要能把 AI 能力接进真实系统。命令行是自动化和可重复验证的基础。

入门阶段至少要熟悉这些命令形态：

pnpm dev                 # 启动本地服务
pnpm lint                # 检查代码规范
pnpm build               # 验证生产构建
pnpm db:migrate          # 执行数据库迁移
pnpm eval:rag            # 跑 RAG 评测集
pnpm deploy              # 发布服务

具体项目的命令会不同，但思路一样：能启动、能验证、能迁移、能评测、能发布。会 CLI，才有办法把 AI 能力做成可重复的工程流程。

题目 3：Coding Agent 是什么？

标准答案：Coding Agent 是运行在代码仓库里的 AI 助手，能读文件、搜索代码、修改代码、运行命令、查看报错、修复问题和跑测试。

工程要点：普通聊天 AI 给建议，Coding Agent 进仓库执行。它适合修 bug、重构、写测试、查报错、接 API 和调试工程问题。

题目 4：CLI、MCP、Skill 有什么关系？

标准答案：Skill 告诉 AI 怎么做，MCP 给 AI 接工具和数据，CLI 让 AI 在工程环境里执行。

工程要点：三者组合起来，才是现代 AI 工程工作流。比如 Skill 规定 RAG 入库流程，MCP 提供读取文件和数据库工具，CLI 运行入库脚本和评测命令。

给 Coding Agent 的任务描述也应该像工程任务，而不是一句“帮我看看”：

目标：修复 RAG 问答中引用来源为空的问题。
范围：只修改 src/ai/rag 和 src/app/api/chat 相关代码。
边界：不要改数据库 schema，不要删除已有迁移。
验收：pnpm lint、pnpm build、pnpm eval:rag 必须通过。
输出：说明改动点、验证结果和剩余风险。

任务越清楚，Agent 越容易在正确边界内行动。CLI 负责执行验证，MCP 负责提供工具和资料，Skill 负责沉淀流程经验。

题目 5：Coding Agent 最大风险是什么？

标准答案：它能真实修改文件、运行命令、访问环境，所以可能误删文件、覆盖已有改动、泄露密钥、运行危险命令或提交错误代码。

工程要点：使用 Coding Agent 要先看状态，理解上下文，不随便删除文件，不泄露密钥，改完必须验证，提交前看 diff。给任务时要具体说明目标、边界和验收命令。

完整示例：CLI、MCP、Skill、Coding Agent 如何组成工程闭环

最后一课的重点，是把 AI 从聊天窗口拉回真实工程现场。真实项目发生在代码仓库、终端、Git、测试、构建、数据库迁移、部署和日志里。CLI 是执行入口，MCP 是连接工具和资料，Skill 是操作手册，Coding Agent 是能在仓库里读代码、改代码、跑验证的执行者。

一个 AI 应用工程师至少要熟悉这些命令形态：

pnpm dev                 # 启动本地服务
pnpm lint                # 代码检查
pnpm build               # 生产构建
pnpm db:migrate          # 数据库迁移
pnpm eval:rag            # RAG 评测
git status               # 看工作区状态
git diff                 # 看改动
git commit               # 提交变更

给 Coding Agent 的任务也要像工程任务，不要只写“帮我优化一下”。要写目标、范围、边界和验收命令。

目标：修复 RAG 问答中引用来源为空的问题。
范围：只修改 src/ai/rag 和 src/app/api/chat。
边界：不要改数据库 schema，不要删除已有迁移。
验收：pnpm lint、pnpm build、pnpm eval:rag 必须通过。
输出：说明改动点、验证结果和剩余风险。

一个成熟的 Coding Agent 工作流应该是闭环：先读规则和代码，再制定修改范围，然后编辑文件，运行验证，查看失败原因，修复，再验证，最后总结 diff 和风险。它不是只给建议，而是能完成工程动作。

Skill：告诉 Agent 本项目怎么做。
MCP：给 Agent 接文件、浏览器、数据库、部署平台。
CLI：让 Agent 执行测试、构建、迁移、部署。
Git：记录每次变更，保证可追踪和可回滚。

风险也要记住：Coding Agent 能真实修改文件和运行命令，所以必须保护用户改动、不泄露密钥、不乱删文件、不跑危险命令。每次提交前都应该看 diff，每次上线前都应该跑验证。

这一课的完整答案是：CLI 让 AI 能进入工程现场，MCP 让 AI 能连接外部能力，Skill 让 AI 知道项目规则，Coding Agent 把读代码、改代码、跑验证和提交变更连成闭环。

这一篇最该带走的结论是：CLI 让 AI 从会聊天变成会在真实工程里干活；Coding Agent 则把读代码、改代码、跑验证连成闭环。