01 / 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
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
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
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
PUT /open-apis/sheets/v2/spreadsheets/{token}/dimension_range
Body: {"dimension": {...}, "dimensionProperties": {"fixedSize": 20}}
5获取群聊信息
GET /open-apis/im/v1/chats?page_size=20&query_type=group
→ 返回 chat_id
6发送飞书消息
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
API CALLS
0
AI TOKEN COST
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
02 / 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
# +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","点赞数","发布时间","回复数","是否一级"]' \
--data '[[1,"lmpker",6,"不错",79,"2026/04/12",8,"yes"], ...]'
# +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
# 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
CLI COMMANDS
~0
AI TOKEN COST
不用关心 OAuth token 刷新（lark-cli 内置处理）
不用手动拼接 URL 和 JSON body（参数直接传）
不用管理中间状态（--spreadsheet-token 传入即可）
03 / 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。
TTool 定义
{
"name": "bilibili_comments_to_feishu",
"description": "采集B站视频评论并写入飞书表格，完成后发送群通知",
"parameters": {
"bv_id": {"type": "string", "description": "B站视频BV号"},
"limit": {"type": "number", "default": 100},
"notify_chat": {"type": "string", "description": "飞书群名"}
}
}
→AI 调用：一次搞定
{
"tool": "bilibili_comments_to_feishu",
"input": {
"bv_id": "BV1ooDyBmE6v",
"limit": 100,
"notify_chat": "产品群"
}
}
1
MCP CALL
5K–30K+
TOKENS / ROUND
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
每轮都要重复发送，无论本轮是否调用任何 tool，直接推高 API 费用
04 / 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 "..." --headers ...
│ └── 通知群聊：lark-cli im +send --chat-name "..." --msg "..."
├── scripts/bilibili_comments.py （Python 采集脚本）
│ └── 内部调用 curl → B站 API （3–6 次 HTTP 请求）
└── cookie.json （配置文件）
0
IDLE TOKEN COST
~2K
LOADED ONCE
未触发时不消耗 Token，只在匹配任务时加载 SKILL.md 到上下文
依赖 AI 的理解和执行能力，复杂编排可能执行出错或漏步骤
SKILL.md 需要人工维护，底层 CLI/API 接口变了 SKILL 也要更新
05 / COMPARISON
总览
以"B站评论 → 飞书表格"这个任务为例
| 方式 | 调用次数 | AI 开销 | 灵活性 | 安全性 | 稳定性 | 开发成本 |
|---|---|---|---|---|---|---|
| API | 6 次 | 0 | ||||
| CLI | 3 条 | ~0 | ||||
| MCP | 1 次 | 5K–30K+ | ||||
| SKILL | 1 次 | ~2K |
06 / COMPOSITION
SKILL 的组合模式
SKILL 是编排层，它组合底层的能力。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 # 内部调 6 次 API
Step 2: lark-cli sheets +create ...
Step 3: lark-cli sheets +append ...
Step 4: lark-cli im +send ...
→ 底层：3 条 CLI 命令 + 1 个脚本
SKILL = 多个 API
人工写每个 curl 调用，最灵活最累
SKILL
=
API
×
N
SKILL = 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 编排多个子 SKILL
SKILL
=
SKILL
+
SKILL
07 / GUIDE
如何选择
一句话：默认从 SKILL + CLI 开始，除非有明确理由选其他。
✓
默认推荐：SKILL + CLI — SKILL 编排，CLI 执行。
| 场景 | 推荐 | 原因 |
|---|---|---|
| AI 需要自由组合工具 | 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 |
| 偶尔调用一个固定能力 | MCP | 一次调用搞定 |
| 共享给团队使用 | SKILL | 一份文档 + 脚本 = 完整能力包 |