mcp2cli
mcp2cli 是一个能够在运行时将任何 MCP 服务器、OpenAPI 接口或 GraphQL 端点转换为命令行工具(CLI)的开源工具,无需任何代码生成。它简化了与各种 API 的交互过程,让用户可以直接通过命令行调用 API 工具,而不需要编写额外的代码或配置复杂的客户端。
它解决了传统 API 调用中常见的繁琐问题,比如手动处理认证、解析文档、编写客户端代码等。通过 mcp2cli,用户可以快速发现并调用 API 提供的功能,同时支持 OAuth 认证和敏感信息的安全管理,如从环境变量或文件中读取密钥,避免在命令行中直接暴露敏感数据。
这个工具非常适合开发者和研究人员使用,尤其是那些需要频繁与不同 API 交互的用户。对于希望提升工作效率、减少重复工作的技术人员来说,mcp2cli 提供了一种简洁高效的解决方案。其独特的亮点在于零代码生成、自动处理认证流程以及对多种 API 类型的支持,使得 API 调用变得更加直观和便捷。
使用场景
某电商平台的后端开发团队正在为多个第三方服务集成API接口,包括商品管理、订单处理和用户认证等。这些API分别基于不同的协议(如OpenAPI、GraphQL)并需要OAuth认证,开发人员需要频繁地调用这些接口进行测试和调试。
没有 mcp2cli 时
- 开发人员需要为每个API手动编写CLI脚本或使用现成工具,耗时且容易出错。
- 不同协议之间的切换复杂,每次都需要重新配置工具或学习新的命令格式。
- OAuth认证流程繁琐,需要手动获取和刷新令牌,影响调试效率。
- API变更后,CLI工具无法自动适配,需重新生成代码或调整脚本。
- 调试过程中难以快速发现可用的API方法,依赖文档查找和记忆。
使用 mcp2cli 后
- 可以通过单一命令将任意OpenAPI、GraphQL或MCP服务器即时转换为CLI,无需额外开发或配置。
- 支持多种协议和认证方式(如OAuth),自动处理令牌获取与刷新,简化调试流程。
- 提供
--search功能,可直接在命令行中搜索API方法,提升调试效率。 - API更新后,mcp2cli能实时识别新接口,无需重新生成代码或修改脚本。
- 集成AI技能后,开发人员可以更高效地与API交互,甚至自动生成新的技能模块。
核心价值:mcp2cli让开发人员能够快速、灵活地与各种API交互,显著减少调试时间并提升工作效率。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
mcp2cli
将任何 MCP 服务器、OpenAPI 规范或 GraphQL 端点在运行时转化为 CLI,无需任何代码生成。
每次调用可节省 96%–99% 的工具模式中浪费的令牌。
阅读完整文章 →
安装
# 无需安装即可直接运行
uvx mcp2cli --help
# 或全局安装
uv tool install mcp2cli
AI 代理技能
mcp2cli 随附一个可安装的 技能,用于教导 AI 编码代理(Claude Code、Cursor、Codex)如何使用它。安装后,您的代理可以发现并调用任何 MCP 服务器或 OpenAPI 端点——甚至可以从 API 生成新技能。
npx skills add knowsuchagency/mcp2cli --skill mcp2cli
安装后,您可以尝试以下提示:
mcp2cli --mcp https://mcp.example.com/sse— 与 MCP 服务器交互mcp2cli create a skill for https://api.example.com/openapi.json— 从 API 生成技能
使用方法
MCP HTTP/SSE 模式
# 通过 HTTP 连接到 MCP 服务器
mcp2cli --mcp https://mcp.example.com/sse --list
# 调用工具
mcp2cli --mcp https://mcp.example.com/sse search --query "test"
# 带认证头
mcp2cli --mcp https://mcp.example.com/sse --auth-header "x-api-key:sk-..." \
query --sql "SELECT 1"
# 强制指定特定传输方式(跳过可流式传输的 HTTP 回退流程)
mcp2cli --mcp https://mcp.example.com/sse --transport sse --list
# 按名称或描述搜索工具(不区分大小写的子字符串匹配)
mcp2cli --mcp https://mcp.example.com/sse --search "task"
--search 默认包含 --list,且适用于所有模式(--mcp、--spec、--graphql、--mcp-stdio)。
OAuth 认证
支持需要 OAuth 的 API——无论是在 MCP、OpenAPI 还是 GraphQL 模式下。 mcp2cli 会自动处理令牌获取、缓存和刷新。
# 授权码 + PKCE 流程(打开浏览器进行登录)
mcp2cli --mcp https://mcp.example.com/sse --oauth --list
mcp2cli --spec https://api.example.com/openapi.json --oauth --list
mcp2cli --graphql https://api.example.com/graphql --oauth --list
# 客户端凭证流程(机器对机器,无需浏览器)
mcp2cli --spec https://api.example.com/openapi.json \
--oauth-client-id "my-client-id" \
--oauth-client-secret "my-secret" \
list-pets
# 指定特定作用域
mcp2cli --graphql https://api.example.com/graphql --oauth --oauth-scope "read write" users
# 本地规范文件——使用 --base-url 进行 OAuth 发现
mcp2cli --spec ./openapi.json --base-url https://api.example.com --oauth --list
令牌会持久化保存在 ~/.cache/mcp2cli/oauth/ 中,因此后续调用会复用现有令牌,并在过期时自动刷新。
从环境变量或文件中读取密钥
敏感值(如 --auth-header 值、--oauth-client-id、--oauth-client-secret)支持使用 env: 和 file: 前缀,以避免将密钥作为 CLI 参数传递(这些参数会在进程列表中可见):
# 从环境变量读取
mcp2cli --mcp https://mcp.example.com/sse \
--auth-header "Authorization:env:MY_API_TOKEN" \
--list
# 从文件读取
mcp2cli --mcp https://mcp.example.com/sse \
--oauth-client-secret "file:/run/secrets/client_secret" \
--oauth-client-id "my-client-id" \
--list
# 适用于注入环境变量的密钥管理器
fnox exec -- mcp2cli --mcp https://mcp.example.com/sse \
--oauth-client-id "env:OAUTH_CLIENT_ID" \
--oauth-client-secret "env:OAUTH_CLIENT_SECRET" \
--list
MCP stdio 模式
# 列出 MCP 服务器上的工具
mcp2cli --mcp-stdio "npx @modelcontextprotocol/server-filesystem /tmp" --list
# 调用工具
mcp2cli --mcp-stdio "npx @modelcontextprotocol/server-filesystem /tmp" \
read-file --path /tmp/hello.txt
# 向服务器进程传递环境变量
mcp2cli --mcp-stdio "node server.js" --env API_KEY=sk-... --env DEBUG=1 \
search --query "test"
OpenAPI 模式
# 列出远程规范中的所有命令
mcp2cli --spec https://petstore3.swagger.io/api/v3/openapi.json --list
# 调用端点
mcp2cli --spec ./openapi.json --base-url https://api.example.com list-pets --status available
# 带认证
mcp2cli --spec ./spec.json --auth-header "Authorization:Bearer tok_..." create-item --name "Test"
# 通过标准输入发送 JSON 请求体
echo '{"name": "Fido", "tag": "dog"}' | mcp2cli --spec ./spec.json create-pet --stdin
# 本地 YAML 规范
mcp2cli --spec ./api.yaml --base-url http://localhost:8000 --list
GraphQL 模式
# 列出 GraphQL 端点上的所有查询和突变
mcp2cli --graphql https://api.example.com/graphql --list
# 调用查询
mcp2cli --graphql https://api.example.com/graphql users --limit 10
# 调用突变
mcp2cli --graphql https://api.example.com/graphql create-user --name "Alice" --email "alice@example.com"
# 覆盖自动生成的选择集字段
mcp2cli --graphql https://api.example.com/graphql users --fields "id name email"
# 带认证
mcp2cli --graphql https://api.example.com/graphql --auth-header "Authorization:Bearer tok_..." users
mcp2cli 会自动检查端点,发现查询和突变,自动生成选择集,并构建带有正确变量声明的参数化查询。无需解析 SDL,无需代码生成——只需指向并运行即可。
Bake 模式——保存连接设置
厌倦了每次调用都要重复 --spec/--mcp/--mcp-stdio 以及认证标志?将它们烘焙成一个命名配置:
# 从 OpenAPI 规范创建烘焙工具
mcp2cli bake create petstore --spec https://api.example.com/spec.json \
--exclude "delete-*,update-*" --methods GET,POST --cache-ttl 7200
# 从 MCP stdio 服务器创建烘焙工具
mcp2cli bake create mygit --mcp-stdio "npx @mcp/github" \
--include "search-*,list-*" --exclude "delete-*"
# 使用带 @ 前缀的烘焙工具——无需连接标志
mcp2cli @petstore --list
mcp2cli @petstore list-pets --limit 10
mcp2cli @mygit search-repos --query "rust"
# 管理已烘焙工具
mcp2cli bake list # 显示所有已烘焙工具
mcp2cli bake show petstore # 显示配置(密钥已屏蔽)
mcp2cli bake update petstore --cache-ttl 3600
mcp2cli bake remove petstore
mcp2cli bake install petstore # 创建 ~/.local/bin/petstore 包装脚本
mcp2cli bake install petstore --dir ./scripts/ # 将包装脚本安装到自定义目录
筛选选项:
--include— 用逗号分隔的 glob 模式,用于白名单工具(例如"list-*,get-*")--exclude— 用逗号分隔的 glob 模式,用于黑名单工具(例如"delete-*")--methods— 用逗号分隔的 HTTP 方法,用于允许的请求方法(例如"GET,POST",仅适用于 OpenAPI)
配置存储在 ~/.config/mcp2cli/baked.json 中。可通过 MCP2CLI_CONFIG_DIR 进行覆盖。
输出控制
# 格式化输出 JSON(在终端中也会自动启用)
mcp2cli --spec ./spec.json --pretty list-pets
# 原始响应体(不解析 JSON)
mcp2cli --spec ./spec.json --raw get-data
# 使用 jq 过滤 JSON(相比 Python 更适合 JSON 处理)
mcp2cli --spec ./spec.json list-pets --jq '.[].name'
mcp2cli --spec ./spec.json list-pets --jq '[.[] | select(.status == "available")] | length'
# 截取大型响应的前 N 条记录
mcp2cli --spec ./spec.json list-records --head 5
mcp2cli --spec ./spec.json list-records --head 3 --jq '.' # 先预览再过滤
# 便于管道处理(非终端时使用紧凑 JSON)
mcp2cli --spec ./spec.json list-pets | jq '.[] | .name'
# TOON 输出 — 面向大模型消费的省 token 编码
# 最适合大型均匀数组(比 JSON 少 40%-60% 的 token)
mcp2cli --mcp https://mcp.example.com/sse --toon list-tags
缓存
规范和 MCP 工具列表默认会缓存在 ~/.cache/mcp2cli/ 中,TTL 为 1 小时。
# 强制刷新
mcp2cli --spec https://api.example.com/spec.json --refresh --list
# 自定义 TTL(秒)
mcp2cli --spec https://api.example.com/spec.json --cache-ttl 86400 --list
# 自定义缓存键
mcp2cli --spec https://api.example.com/spec.json --cache-key my-api --list
# 覆盖缓存目录
MCP2CLI_CACHE_DIR=/tmp/my-cache mcp2cli --spec ./spec.json --list
本地文件规范永远不会被缓存。
CLI 参考
mcp2cli [全局选项] <子命令> [命令选项]
来源(互斥,必选其一):
--spec URL|FILE OpenAPI 规范(JSON 或 YAML,本地或远程)
--mcp URL MCP 服务器 URL(HTTP/SSE)
--mcp-stdio CMD MCP 服务器命令(标准输入输出传输)
--graphql URL GraphQL 端点 URL
选项:
--auth-header K:V HTTP 头部(可重复,值支持 env:/file: 前缀)
--base-url URL 覆盖规范中的基础 URL
--transport TYPE MCP HTTP 传输方式:auto|sse|streamable(默认:auto)
--env KEY=VALUE MCP 标准输入输出服务器的环境变量(可重复)
--oauth 启用 OAuth(授权码 + PKCE 流程)
--oauth-client-id ID OAuth 客户端 ID(支持 env:/file: 前缀)
--oauth-client-secret S OAuth 客户端密钥(支持 env:/file: 前缀)
--oauth-scope SCOPE 请求的 OAuth 范围
--cache-key KEY 自定义缓存键
--cache-ttl SECONDS 缓存 TTL(默认:3600)
--refresh 绕过缓存
--list 列出可用的子命令
--search PATTERN 按名称或描述搜索工具(隐含 --list)
--fields FIELDS 覆盖 GraphQL 选择集(例如 "id name email")
--pretty 格式化输出 JSON
--raw 打印原始响应体
--toon 将输出编码为 TOON(面向大模型的省 token 格式)
--jq EXPR 通过 jq 表达式过滤 JSON 输出
--head N 限制输出为前 N 条记录(数组)
--version 显示版本
烘焙模式:
bake create NAME [opts] 将连接设置保存为命名工具
bake list 列出所有已烘焙工具
bake show NAME 显示配置(密钥已屏蔽)
bake update NAME [opts] 更新一个已烘焙工具
bake remove NAME 删除一个已烘焙工具
bake install NAME 创建 ~/.local/bin 包装脚本
@NAME [args] 运行一个已烘焙工具(例如 mcp2cli @petstore --list)
子命令及其标志会根据规范或 MCP 服务器工具定义动态生成。运行 <子命令> --help 查看详细信息。
关于节省 token 的分析、架构细节以及与 Anthropic 的 Tool Search 的对比,请参阅 OCAI 博客上的完整文章。
开发
# 安装并包含测试和 MCP 依赖
uv sync --extra test
# 运行测试(96 项测试,涵盖 OpenAPI、MCP 标准输入输出、MCP HTTP、缓存及节省 token)
uv run pytest tests/ -v
# 仅运行节省 token 的测试
uv run pytest tests/test_token_savings.py -v -s
许可证
mcp2cli 基于 Kagan Yilmaz 的 CLIHub 思想构建(基于 CLI 的工具访问以实现 token 效率)
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。