摘要： 本文探讨了在大型语言模型（LLM）的上下文中，如何结构化工具描述以及如何使用工具进行有效工作。文章首先讨论了两种策略：一种是提供顶层工具执行细粒度操作，另一种是告知模型可调用的有用shell命令。接着，作者强调了Unix shell命令组合的优势，并提出了使用exec_bash调用CLI的改进方法。文章还介绍了如何使用Restish和oauth2c等工具来简化API调用和OAuth 2.0授权流程。此外，作者分享了一个使用macOS Keychain安全存储令牌的方法，并展示了如何通过逆向工程自动化Google Groups等没有提供API服务的网站。最后，作者总结了通过组合CLIs来提高工作效率和可维护性的优势。
讨论： 上述内容主要讨论了在人工智能工具和平台中使用命令行界面（CLI）和远程控制台（MCP）进行交互的方法。多位参与者分享了他们在构建工具和服务时如何利用CLI和MCP，以及如何通过这些工具提高可发现性和易用性。他们强调了以下要点：1. 使用CLI和MCP可以简化操作，无需配置文件；2. 利用FUSE和Bash等工具实现端点的可发现性；3. 通过自动生成技能文档，使用LLM分析工具源代码，并支持多种交互方式（如MCP服务器、CLI工具和RESTful API）；4. 讨论了认证问题，包括使用代理层隐藏敏感信息；5. 强调了钩子（hooks）在引导代理使用工具方面的作用；6. 认为CLI可能是未来模型与工具交互的最佳方式。
原文标题：Composing APIs and CLIs in the LLM era
原文链接：https://walters.app/blog/composing-apis-clis
讨论链接：https://news.ycombinator.com/item?id=46722074