Agent 效能实测：工具调用减少30% Token消耗降低25%

v我们在典型用户任务中对比了 MCP 与 CLI + SKILL 两种方案。结果显示：更少的工具调用、更少的 Token 浪费、更好的错误恢复——数据解释了其中的原因。

核心问题

我们分享的所有理念和设计原则——它们真的有效吗？

我们在内部针对两种方案对比了许多典型的用户任务：

结果不仅仅是主观上的改进，而是可衡量的减少。

任务 1：基于 Endpoint 添加测试用例

用户请求：

"为这个接口添加一个测试并运行验证"

MCP 路径

典型模式：

搜索工具 → 选择工具 → 阅读 schema → 猜测字段 → 写入 → 错误 → 重试 → 写入 → 错误 → 重试 → 成功 → 寻找运行工具 → 运行

CLI + SKILL 路径

典型模式：

SKILL 引导 → 读取接口 → 生成 → 校验 → 写入 → 回读 → 运行

结果

工具调用步骤减少了约 30%。由于无效工具描述和错误重试导致的 Token 消耗减少了约 25%。

任务 2：结构化写入（处理器、断言、提取器）

用户请求：

"为此测试用例添加后置操作断言和变量提取"

MCP 路径

常见错误：

每次错误 = 1 次网络往返 + 响应 + Agent 处理。

CLI + SKILL 路径

所有错误都在本地拦截。没有因字段错误导致的网络重试。

结果

由结构化错误导致的重复调用减少了约 40%。

任务 3：创建后的连续操作

用户请求：

"使用这些接口创建一个测试场景"

MCP 路径

问题：执行惯性。

模型倾向于在成功后直接继续，跳过回读（read-back）步骤。

CLI + SKILL 路径

agentHints 明确建议回读。Agent 遵循了该建议。

结果

Agent 主动回读、校验并运行验证的比例显著增加。由于直接跳转到下一步导致的错误重试减少了约 21%。

总结：节省来自哪里

真实的成本分析

核心洞察：

产品对 Agent 的赋能并非工具越多越好。

模型真正消耗的是：

当工具数量增加后，模型真正消耗的不再是 API 调用能力，而是在上下文、注意力、路径选择和用户 Token 成本之间的权衡。

工程原则

目标：

将这些成本从模型上下文中移出，转交给工程系统承担。

工程系统吸收了复杂性。模型则专注于生成和判断。

这些数字意味着什么

这些数字解释了一个更具体的问题：

CLI + SKILL 不仅仅是架构上的优雅，它带来了可衡量的效率提升。

下一步

既然我们已经用数据验证了这一方案，让我们看看它的实际应用。

在第 7 部分 《从 PRD 到测试闭环：完整的 Agent 工作流》 中，我们将通过一个真实的例子——团队有一个“订单退款”的 PRD，Agent 如何使用 CLI + SKILL 生成 OpenAPI、创建测试、校验并验证。

关键要点

• 工具调用步骤减少了约 30%
• 来自描述和重试的 Token 浪费减少了约 25%
• 结构化错误重试减少了约 40%
• 因跳过回读导致的跳转错误减少了约 21%
• 节省源于：引导式发现、本地校验、可操作的提示
• 复杂性从上下文转移到了工程系统

下载 Apifox，在一个工作区内完成 API 的 设计、Mock、测试 和 文档。了解更多关于 Apifox CLI 的信息，助力命令行 API 测试、CI 自动化和 AI Agent 工作流。

开发必备：API 全流程管理神器 Apifox

介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。

如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。

值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。