Alasan Kami Mengembangkan Apidog CLI + SKILL yang Serba Baru

Ini adalah seri 10 bagian yang berbagi bagaimana Apidog mengembangkan Apidog CLI, sebuah alat baris perintah untuk pengujian API dan manajemen siklus hidup API. Bacalah secara berurutan atau lompat ke postingan mana pun yang menarik minat Anda:

Kami membangun CLI + SKILL untuk menangani apa yang tidak dioptimalkan oleh MCP: alur kerja kompleks dengan gerbang validasi dan eksekusi terstruktur.

MCP Terus Berfungsi

Sebelum kita menyelami CLI + SKILL, mari kita klarifikasi: Apidog MCP masih tersedia dan dikelola.

MCP menyediakan koneksi alat terstandardisasi mengikuti protokol—itu berharga untuk:

• Operasi yang sederhana dan terdefinisi dengan baik
• Pengguna yang lebih memilih alur kerja berbasis MCP
• Integrasi ekosistem dengan klien yang sesuai MCP

Kami tidak mengganti MCP. Kami membangun CLI + SKILL untuk melengkapinya.

Apa yang kami temukan adalah bahwa MCP unggul dalam menghubungkan alat, tetapi untuk alur kerja R&D yang kompleks—proses multi-langkah dengan validasi, pembacaan kembali, dan verifikasi—Agen mendapat manfaat dari proses rekayasa yang dapat dieksekusi. Di situlah CLI + SKILL cocok.

Pikirkan seperti ini:

CLI Lama: Menjalankan Pengujian di Akhir

Apidog CLI telah lama menjadi titik masuk baris perintah untuk menjalankan pengujian API.

apidog run --project <projectId> --test-scenario <scenarioId> --environment <environmentId>

Dasar itu masih penting. Tim membutuhkan cara yang andal untuk:

• Menjalankan pengujian API dari terminal
• Menghasilkan laporan di pipeline CI
• Menjaga gerbang kualitas di dalam alur kerja otomatisasi

Namun, CLI lama berpusat terutama pada eksekusi pengujian. Ini muncul mendekati akhir alur kerja:

Desain → Dokumen → Mock → Debug → Pengujian → [CLI menjalankan pengujian]

CLI adalah langkah terakhir—setelah semuanya selesai.

Persyaratan Baru: Agen Membutuhkan Lebih Banyak

Pengembangan API sedang berubah.

Agen AI kini berpartisipasi dalam:

Untuk alur kerja ini, CLI tidak bisa hanya menjadi langkah terakhir yang menjalankan pengujian yang sudah ada.

Ia juga perlu memberikan Agen cara yang stabil untuk:

• Membaca aset API (endpoint, skema, lingkungan)
• Membuat atau memperbarui aset pengujian (kasus pengujian, skenario pengujian)
• Memvalidasi perubahan terstruktur sebelum menulis
• Menuliskannya kembali ke proyek
• Memverifikasi hasilnya

Ekspansi Sistematis, Bukan Penambahan Bertahap

Apidog CLI yang baru bukan hanya menambahkan beberapa perintah ke CLI lama.

Ini adalah pengenalan kemampuan inti Apidog secara sistematis ke dalam CLI, menjadikannya lapisan alur kerja untuk pengembang, skrip, dan Agen AI.

Batas-batas arsitektur di baliknya telah berubah secara dramatis.

MCP VS CLI: Perbandingan Rantai Eksekusi

Rute MCP (Baik untuk Koneksi Alat)

Initialize MCP session
        ↓
Load tool list + tool descriptions
        ↓
Agent selects tool
        ↓
Search for more tools (listOpenApiEndpoints)
        ↓
Get schema (getOpenApiDetails)
        ↓
Execute HTTP call (executeOpenApi)

Kekuatan MCP: Protokol terstandardisasi untuk menghubungkan alat ke Agen.

Penempatan kompleksitas: Sebagian besar kompleksitas berada dalam konteks model dan tahap pemilihan alat. Agen perlu memahami:

• Daftar alat
• Deskripsi alat
• Skema masukan
• Urutan panggilan
• Struktur pengembalian

Di mana ia bekerja dengan baik: Operasi sederhana dengan pemetaan alat-ke-tugas yang jelas.

Di mana ia menjadi tantangan: Alur kerja kompleks di mana Agen harus mengorkestrasi beberapa alat, memahami semantik produk, dan menangani validasi.

Rute CLI + SKILL (Lebih Baik untuk Alur Kerja Kompleks)

SKILL judges task type
        ↓
CLI executes product-semantic commands
        ↓
cli-schema validates structure
        ↓
agentHints gives next-step suggestions
        ↓
Verify loop (get read-back or apidog run)

Kekuatan CLI + SKILL: Mendistribusikan kompleksitas ke dalam sistem rekayasa.

Penempatan kompleksitas:

• SKILL: Metodologi dan panduan alur kerja
• CLI: Eksekusi semantik produk
• cli-schema: Validasi sebelum menulis
• agentHints: Navigasi setelah eksekusi

Di mana ia bekerja dengan baik: Alur kerja multi-langkah, operasi yang sangat mengandalkan validasi, pengujian berbasis Agen.

Perbedaan Utama: Di Mana Kompleksitas Berada

Perbedaan antara kedua pendekatan ini adalah di mana kompleksitas ditempatkan.

Dalam MCP, model harus membawa:

• Alat mana yang akan digunakan
• Apa yang dikatakan deskripsi alat
• Bidang apa yang diperlukan
• Urutan apa yang harus diikuti
• Apa arti struktur pengembalian

Ini berfungsi ketika pemetaan tugas-ke-alat lugas.

Dalam CLI + SKILL, sistem rekayasa membawa:

• Jenis tugas apa ini (SKILL)
• Perintah apa yang akan dieksekusi (CLI)
• Struktur apa yang valid (cli-schema)
• Apa yang harus dilakukan selanjutnya (agentHints)

Ini bekerja lebih baik ketika alur kerja memiliki gerbang validasi, persyaratan pembacaan kembali, dan loop verifikasi.

Contoh Alur Kerja Khas

Berikut adalah contoh konkret alur kerja CLI + SKILL:

# Langkah 1: Membaca fakta
apidog endpoint get <endpointId> --project <projectId>

# Langkah 2: Memvalidasi sebelum menulis
apidog cli-schema validate test-case-create --file ./test-case-create.json

# Langkah 3: Melakukan verifikasi
apidog run --project <projectId> --out-dir ./apidog-reports

Ketiga perintah ini merepresentasikan tiga tindakan rekayasa:

Jalur Agen untuk Alur Kerja Kompleks

Jalur MCP untuk Alur Kerja Kompleks

"Pilih alat → Pahami skema → Atur urutan → Tangani kesalahan"

Agen:

• Memilih alat yang sesuai dari banyak pilihan
• Memahami deskripsi dan skema alat
• Mengorkestrasi urutan yang benar
• Menangani kesalahan melalui percobaan ulang

Ini bisa berfungsi, tetapi membutuhkan penalaran model yang signifikan untuk setiap titik keputusan.

Jalur CLI + SKILL untuk Alur Kerja Kompleks

"Membaca fakta → Menghasilkan perubahan → Memvalidasi struktur → Menulis → Menjalankan verifikasi"

Agen:

• Membaca fakta yang ada terlebih dahulu (dipandu oleh SKILL)
• Menghasilkan perubahan berdasarkan fakta
• Memvalidasi struktur secara lokal (cli-schema)
• Menulis ke proyek
• Menjalankan verifikasi (agentHints memandu langkah selanjutnya)

Sistem rekayasa menangani validasi, panduan, dan verifikasi—mengurangi beban penalaran model.

Kedua jalur dapat menyelesaikan tugas. CLI + SKILL mengurangi kompleksitas pada tahap konteks model.

Apa yang Sekarang Dicakup CLI

Dengan peningkatan ini, CLI kini mencakup lebih banyak sumber daya inti Apidog:

Ini mengubah peran Apidog CLI.

Ini bukan hanya cara untuk menjalankan pengujian setelah semuanya selesai.

Ini kini dapat berpartisipasi lebih awal dalam siklus pengembangan—di mana Agen perlu:

• Memahami proyek
• Menghasilkan atau memperbarui aset pengujian
• Memvalidasi perubahan
• Menjalankan verifikasi

Ringkasan Arsitektur

Keduanya tersedia. Pilih berdasarkan tugas Anda.

Apa Selanjutnya

Sekarang setelah kita menetapkan bagaimana CLI + SKILL melengkapi MCP, pertanyaan selanjutnya adalah:

Apa prinsip inti yang membuat CLI + SKILL efektif untuk alur kerja yang kompleks?

Pada Bagian 3, Aturan Emas: CLI Menghasilkan Fakta, Model Bertindak Berdasarkan Fakta, kita akan menjelajahi filosofi desain yang memandu setiap keputusan CLI + SKILL—dimulai dengan cli-schema validate, gerbang kualitas yang menangkap kesalahan sebelum menjadi penulisan yang gagal.

Poin-Poin Penting

• MCP terus berfungsi—gunakan untuk operasi sederhana dan integrasi ekosistem MCP
• CLI + SKILL melengkapi MCP—lebih baik untuk alur kerja kompleks dengan validasi
• Perbedaan utamanya adalah di mana kompleksitas berada: konteks model vs. sistem rekayasa
• CLI + SKILL mengurangi beban penalaran model melalui validasi, panduan, verifikasi
• CLI kini mencakup proyek, API, lingkungan, kasus pengujian, skenario, dan lainnya
• Kedua pendekatan tersedia—pilih berdasarkan kompleksitas tugas

Unduh Apidog untuk mendesain, mock, menguji, dan mendokumentasikan API dalam satu ruang kerja. Pelajari lebih lanjut tentang Apidog CLI untuk pengujian API baris perintah, otomatisasi CI, dan alur kerja Agen AI.

tombol