飞书开发方式颗粒度对比

同一个任务，四种打开方式。

用同一个真实任务走一遍 API、CLI、MCP、SKILL，帮你建立选型直觉。

B站评论 → 飞书表格 → 群通知

API

最细颗粒度。

每次调用只做一件事，一个 HTTP 请求 = 一个原子操作。

1 创建电子表格 1× API

POST /open-apis/sheets/v3/spreadsheets Authorization: Bearer t-xxx { "title": "B站视频评论 - BV1ooDyBmE6v" } → 返回 spreadsheet_token

2 写入表头 1× API

PUT /open-apis/sheets/v2/spreadsheets/{token}/values Range: Sheet1!A1:H1 Body: [["序号","用户名","等级","评论内容","点赞数","发布时间","回复数","是否一级"]]

3 批量写入数据 1× API

PUT /open-apis/sheets/v2/spreadsheets/{token}/values Range: Sheet1!A2:H51 Body: [[1,"lmpker",6,"不错",79,"2026/04/12",8,"yes"], ...]

4 设置列宽 1× API

PUT /open-apis/sheets/v2/spreadsheets/{token}/dimension_range Body: {"dimension": {...}, "dimensionProperties": {"fixedSize": 20}}

5 获取群聊信息 1× API

GET /open-apis/im/v1/chats?page_size=20&query_type=group → 返回 chat_id

6 发送飞书消息 1× API

POST /open-apis/im/v1/messages?receive_id_type=chat_id Body: { "receive_id": "oc_xxxx", "msg_type": "interactive", "content": "{...卡片消息 JSON...}" }

6

次 API 调用

0

AI Token 开销

×处理 OAuth 鉴权 token 刷新

×手动管理 spreadsheet_token、sheet_id、chat_id 等中间状态

×拼接请求 URL、构造 JSON body、解析响应

×处理分页、限流、错误重试

CLI

中颗粒度。

一条 CLI 命令封装了多次 API 调用 + 状态管理 + 错误处理。

1 创建表格并写入数据 2× CLI

# +create 内部：创建表格 API + 设置列宽 API lark-cli sheets +create \ --title "B站视频评论 - BV1ooDyBmE6v" \ --headers '["序号","用户名","等级","评论内容",...]' \ --data '[[1,"lmpker",6,"不错",79,...], ...]' # +append 内部：写入值 API（自动处理分页） lark-cli sheets +append \ --spreadsheet-token "A0StsA30qh..." \ --sheet-id "eb15be" \ --range "A52:H101" \ --values '[[51,...],[52,...],...]'

2 发送飞书消息 1× CLI

# 内部：查找群聊 API + 发消息 API lark-cli im +send \ --chat-name "产品群" \ --msg "已采集 170 条B站评论，已写入飞书表格"

3

条 CLI 命令

~0

AI Token 开销

✓不用关心 OAuth token 刷新

✓不用手动拼接 URL 和 JSON body

✓不用管理中间状态

MCP

粗颗粒度。

一个 MCP tool 封装了整个业务流程，AI 只需一次调用。

T Tool 定义 JSON Schema

{ "name": "bilibili_comments_to_feishu", "description": "采集B站视频评论并写入飞书表格", "parameters": { "bv_id": {"type": "string"}, "limit": {"type": "number", "default": 100}, "notify_chat": {"type": "string"} } }

→ AI 调用：一次搞定 1× MCP

{ "tool": "bilibili_comments_to_feishu", "input": { "bv_id": "BV1ooDyBmE6v", "limit": 100, "notify_chat": "产品群" } }

1

次 MCP 调用

5K–30K+

tokens / 每轮对话

Token 隐性成本

MCP 协议要求每轮对话都注入所有已注册 tool 的完整 schema

单个 tool

~200

1 个 Server
20–50 tools

5K–15K

多个 Server
飞书+GitHub+Slack

30,000+

普通对话

4K–8K tokens

每轮都要重复发送，无论是否调用任何 tool

SKILL

编排层。

SKILL 不是接口，不是协议，而是一份操作手册。
告诉 AI 如何组合 CLI / MCP / API 完成任务。

SKILL: bilibili-comment-crawler ├── SKILL.md （操作手册） │ ├── 采集：python3 scripts/bilibili_comments.py --cookie ... │ ├── 创建表格：lark-cli sheets +create --title "..." │ └── 通知群聊：lark-cli im +send --chat-name "..." ├── scripts/bilibili_comments.py （Python 采集脚本） │ └── 内部调用 curl → B站 API （3–6 次） └── cookie.json （配置文件）

0

未触发时 Token

~2K

触发时加载一次

✓未触发时不消耗 Token，只在匹配任务时加载

!依赖 AI 执行能力，复杂编排可能出错

!SKILL.md 需要维护，底层接口变了要同步更新

对比

总览。

以"B站评论 → 飞书表格"这个任务为例。

方式	调用	AI 开销	灵活性	安全性	稳定性	成本
API	6 次	0	最高	最低	最低	高
CLI	3 条	~0	高	中	高	中
MCP	1 次	5K–30K+	低	最高	最高	高
SKILL	1 次	~2K	最高	取决于底层	取决于底层	低

组合

SKILL 的组合模式。

SKILL 是编排层，组合底层能力。同一个任务可以用不同的底层实现。

最常见：SKILL = 多个 CLI

CLI 命令串联，平衡灵活性和效率

SKILL = CLI + CLI + CLI

# SKILL: bilibili-comment-crawler Step 1: python3 scripts/bilibili_comments.py Step 2: lark-cli sheets +create ... Step 3: lark-cli sheets +append ... Step 4: lark-cli im +send ... → 3 条 CLI + 1 个脚本

多个 API

人工写每个 curl，最灵活最累

SKILL=API× N

1 个 MCP

直接调一个 MCP tool，最省事

SKILL=MCP

混合模式

灵活操作走 CLI，权限操作走 MCP

SKILL=CLI+MCP

嵌套编排

高级 SKILL 编排子 SKILL

SKILL=SKILL+SKILL

选型指南

如何选择。

一句话：默认从 SKILL + CLI 开始。

场景	推荐	原因
AI 自由组合工具	CLI	管道符组合，非预置流程
企业部署，权限控制	MCP	tool 白名单，预置流程
多步复杂工作流	SKILL + CLI	SKILL 编排，CLI 执行
偶尔调用固定能力	MCP	一次调用搞定
共享给团队	SKILL	文档 + 脚本 = 完整能力包

核心比喻

🧱

API

砖块

🏗

CLI

预制板

🏠

MCP

精装房

📋

SKILL

施工方案

砖块最灵活但最累，精装房最省事但最难改。
施工方案指挥用哪些材料、按什么顺序组装。