L4 — CLI（命令行工具）

把 AI 体系的高频操作固化为可复现命令：无 AI 依赖、零推理 Token、可进 CI/CD。整个体系中可预测性最高的一层。

📝 作者

誉

杨晨誉共享技术中心

工号：409322

它解决什么问题

没有 L4	有 L4
新人接手项目，靠文档口述装规范，装漏装错没人知道	`npx @agile-team/wl-skills-kit init` 一条命令，manifest 可追溯
AI 生成的代码能不能合入，靠 Reviewer 记忆把关	`validate` 进 CI，K1~K19 不过就阻断合并
每次发版同步规范靠人工比对	`diff` 一条命令看本地与最新 kit 的全部差异

判断标准：这件事需要 AI 判断吗？不需要判断、只要可复现结果的，就该沉到 CLI——省 Token、可进流水线、结果稳定。

命令清单（权威版）

kit（v2.21.0）共 18 个命令字，按场景分四组：

场景	命令
装与升级	`init` · `update` · `diff` · `clean` · `check`
质量卡门	`validate` · `validate-page` · `fix` · `doctor-ui`
数据与协作	`export` · `mock-clean` · `contract` · `component` · `standard-env`（`env` 为兼容别名）
资产与场景	`template` · `snapshot` · `scenario`

每条命令的参数与示例，唯一权威在 CLI 命令参考（含 --dry-run 预览、--pre-commit 增量卡门等细节），本页不再重复。

什么时候用 CLI，而不是让 AI 做

场景	用 CLI	用 AI Skill
装规范 / 升级版本 / 清理文件	✅ 结果必须可复现	—
提交前卡门、CI 阻断	✅ 零 Token、无推理	—
生成一个新页面（要理解业务语义）	—	✅ `page-codegen`
菜单同步时判断"这个页面挂哪个目录"	—	✅ `menu-sync`
全量审计后批量修复已知反模式	✅ `fix`	✅ `code-fix`（语义级修复）

一句话：确定性执行交给 CLI，语义判断交给 AI——两者是分工，不是替代。

CLI 与 AI 的分工实例

能力	CLI 做	AI 做
安装/更新规范文件	✅ `init` / `update`	—
页面完整性校验	✅ `validate` / `validate-page`	✅ `convention-audit`（语义级审计）
反模式修复	✅ `fix`（机械修复：`::v-deep`→`:deep()` 等）	✅ `code-fix`（需要判断的修复）
生成页面代码	—	✅ `page-codegen` Skill
菜单/字典同步	—	✅ `menu-sync` / `dict-sync` Skill

CLI 是"无 AI 时的兜底执行节点"，也是 L5 Agent Pipeline 的可靠底座——Pipeline 串联的每个节点，最终都以 CLI 的确定性退出码为准。当前 L5 已进入试运行（_pipeline.md Skill 间 I/O 契约已落地）。

场景实践：一次被 CI 拦下来的手改

场景：开发者觉得 scenario 渲染出来的页面某列顺序不理想，直接手改了 index.vue 并提交。

text

git commit → pre-commit validate
  → 检测到 scenarioRef 页面内容与 Blueprint fingerprint 不一致（W1 防漂移）
  → 阻断提交，提示：该页面由 wl-scenario 管理，请修改 wl-scenario JSON 后重新渲染

开发者改 JSON → wl-skills scenario render --confirm 重渲染（单页 0.4~1ms、模型 token 恒为 0）→ 再次提交通过。想绕过门禁的手改，被流程结构拦在了合入之前——这就是 L4"把规范变成机器执行"的意义。

第二个场景是新人第一天：init 装规范 → check 环境体检 → validate 首轮基线体检。三步之后，他本地与团队基线的差距是一份明确的清单，而不是口口相传。

受保护路径

命令	保护路径	说明
`init` / `update`	`.wl-skills/reports/*.md`	已存在则跳过，不覆盖累积数据
`clean`（默认）	`src/components/` + `src/types/`	业务代码必需，永不删除
`clean --keep-reports`	+ `.wl-skills/reports/`	额外保留菜单/字典/权限基线

业界实践参考

CLI 工具化是大厂 AI 工程落地的标配路径，以下案例均来自公开技术博客或官方文档。

公司	项目/工具	描述
美团	ai-cli	将 AI 能力封装为内部 CLI，支持代码生成、API Mock、规范检查等 CI 集成场景
飞书（字节）	MCP + CLI 工程化	将 AI 工具链封装为 CLI，支持 init / dev / deploy 全流程，并提供 MCP Server 插件扩展
Shopify	shopify-cli	行业内最成熟的 CLI + AI 结合案例，支持 scaffold / deploy / ai-assist，与 GitHub Actions 深度集成
Vercel	v0 CLI	将 AI 生成组件能力封装为 CLI 命令，支持 `vercel generate` 从描述直接生成并部署
Nx（Nrwl）	nx generate + AI	monorepo 工程化 CLI，结合 AI 插件实现脚手架 + 依赖图分析

L4 — CLI（命令行工具） ​

它解决什么问题 ​

命令清单（权威版） ​

什么时候用 CLI，而不是让 AI 做 ​

CLI 与 AI 的分工实例 ​

场景实践：一次被 CI 拦下来的手改 ​

受保护路径 ​

业界实践参考 ​

延伸阅读 ​