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 "企查查科技股份有限公司"
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agent.qcc.com控制台获取，和 MCP 用的是同一个。
返回示例：
{
"企业名称":"企查查科技股份有限公司",
"统一社会信用代码":"913205940881409947F",
"法定代表人":"陈德强",
"登记状态":"在业",
"成立日期":"2014-03-12",
"注册资本":"36225万元",
"实缴资本":"36225万元"
}
04. 一个真实场景/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：律师手动打开企查查，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。
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
企查查把企业数据拆成了四个模块，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，底层调用的都是企查查同一套数据库，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。企查查在数据层做了二段式核验，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（在 agent.qcc.com 获取 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"
如果你已经在用企查查 MCP，那更简单——同一个 API Key，直接用，不需要额外注册。
访问agent.qcc.com获取 API Key，注册即送免费使用。
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。
企查查智能体数据平台 (https://agent.qcc.com) 支持MCP协议+CLI命令行双栖接入，让AI读懂中国企业。
