MCP vs CLI pada dasarnya soal kapan agen Anda membayar biaya untuk sebuah tool. Sebuah server MCP mengirimkan nama, deskripsi, dan JSON Schema setiap tool ke model bahkan sebelum Anda mengetik apa pun. Sedangkan CLI tidak menimbulkan biaya apa pun sampai agen menjalankannya dan membaca --help atau output-nya. Pada setup yang diukur, empat server MCP umum menambahkan 11.923 token definisi tool; skill Apidog CLI hanya menambahkan 112.
Kesenjangan inilah inti dari dua Dev.to posts pekan ini. Seorang developer mengetik “Run tests” ke sebuah coding agent dan melihat 28.400 token input pada permintaan pertama, tanpa file terlampir dan tanpa riwayat. Biang keladinya adalah tujuh server MCP. Developer lain berargumen bahwa MCP sangat mudah dibangun, dan bagian tersulitnya (auth, persetujuan, panggilan duplikat) baru muncul setelah demo berhasil.
Artikel ini berfokus pada satu pertanyaan: berapa biaya definisi tool terhadap context window Anda, dan kapan CLI yang dipanggil agen sesuai permintaan lebih hemat? Jika masalah Anda justru respons tool yang besar, baca artikel pendamping tentang memangkas respons API yang membengkak.
Mengapa server MCP menggunakan token context window
Sebuah server MCP mengiklankan tool-nya melalui metode tools/list. Sesuai spesifikasi tool MCP, setiap tool membawa name, description, dan inputSchema (JSON Schema untuk argumennya). Agar model dapat memilih sebuah tool, client harus memasukkan definisi-definisi tersebut ke dalam permintaan. Pada setup klasik, ini terjadi di setiap giliran setiap percakapan, baik agen memanggil tool tersebut maupun tidak.
Jadi biayanya bertambah seiring tiga hal:
- Jumlah tool. Integrasi GitHub lengkap dapat mengekspos puluhan tool.
- Kedalaman schema. Objek bersarang, enum, dan deskripsi panjang semuanya menjadi token.
- Jumlah giliran. Loop agen mengirimkan definisi lagi di setiap langkah.
Postingan necoz memberikan angkanya: stack dengan 52 tool memakan 24.600 token schema pada giliran 1, dibandingkan 640 token untuk setup dengan 4 tool, dan sekitar 246.000 token sepanjang loop 10 langkah. Anggap itu sebagai pengukuran satu developer, bukan benchmark. Prompt caching mengurangi biaya dolar dari definisi yang berulang, tetapi token tetap memenuhi window dan bersaing dengan kode Anda untuk mendapat perhatian model.
Ada juga biaya kualitas. Dokumentasi tool search Anthropic menyebutkan bahwa setup multi-server dengan GitHub, Slack, Sentry, Grafana, dan Splunk “dapat menghabiskan ~55rb token dalam definisi sebelum Claude mulai bekerja”, dan akurasi pemilihan tool Claude menurun begitu Anda melewati 30 hingga 50 tool yang tersedia.
Token definisi tool MCP: pengukuran yang bisa Anda ulangi
Pada 2026-11-16 saya menjalankan lima server MCP secara lokal melalui stdio, mengirim initialize dan tools/list dari skrip Node sepanjang 30 baris, dan menghitung token pada name, description, dan inputSchema setiap tool.
Satu catatan di awal: saya menghitung menggunakan encoding o200k_base dari tiktoken milik OpenAI karena dapat berjalan offline. Claude, Gemini, dan model lain menggunakan tokenizer masing-masing, sehingga hasil hitungan Anda akan berbeda dalam margin tertentu. Yang penting di sini adalah rasio antar setup.
| Server MCP (versi) | Tool | Token definisi | Rata-rata per tool |
|---|---|---|---|
@playwright/mcp 0.0.85 |
25 | 4.634 | 185 |
@modelcontextprotocol/server-filesystem 2.3.0 |
16 | 3.281 | 205 |
@modelcontextprotocol/server-memory 2.1.1 |
9 | 2.013 | 224 |
@modelcontextprotocol/server-everything 2.3.0 |
16 | 1.995 | 125 |
| Keempatnya digabung | 66 | 11.923 | 181 |
apidog-mcp-server 0.0.18 |
3 | 291 | 97 |
Empat server biasa memakan sekitar 12.000 token sebelum agen membaca satu file pun.
Baris terakhir adalah contoh tandingan yang berguna. Server MCP Apidog mengekspos tiga tool yang spesifik (membaca spesifikasi OpenAPI proyek, membaca file $ref, memuat ulang spesifikasi), sehingga hanya memakan 291 token. Yang menentukan besar tagihannya adalah jumlah tool dan kedalaman schema, bukan protokolnya.
Untuk sisi CLI, saya mengukur apa yang benar-benar dibaca agen saat menggunakan Apidog CLI 2.2.12:
| Teks CLI | Kapan masuk ke context | Token |
|---|---|---|
| Deskripsi skill Apidog CLI (frontmatter) | Setiap sesi, sebagai daftar skill | 112 |
| Isi skill Apidog CLI | Hanya saat tugasnya cocok | 1.189 |
apidog --help |
Hanya saat agen menjalankannya | 668 |
apidog test-case --help |
Hanya saat agen menjalankannya | 511 |
apidog run --help |
Hanya saat agen menjalankannya | 1.036 |

Biaya selalu-aktif dari jalur CLI adalah 112 token. Bahkan jika agen memuat seluruh skill dan membaca tiga halaman bantuan, totalnya hanya sekitar 3.500 token, dan itu pun hanya pada percakapan yang memang membutuhkannya.
MCP vs CLI: perbandingan biaya token
| Server MCP (definisi dimuat di awal) | CLI yang dipanggil lewat shell | |
|---|---|---|
| Biaya awal | Schema setiap tool, di setiap giliran | Nol, atau deskripsi skill singkat |
| Discovery | tools/list terstruktur |
Teks --help, dibaca saat dibutuhkan |
| Output | Apa pun yang dikembalikan tool | Apa pun yang dicetak perintah (bisa difilter) |
| Berlaku lintas client | Client MCP apa pun, satu konfigurasi | Agen apa pun dengan tool shell |
| Argument bertipe | Ya, via JSON Schema | Flag; file payload divalidasi terpisah |
| Auth dan izin | Tanggung jawab server (OAuth untuk server HTTP remote) | Login lokal dan izin shell Anda |

CLI unggul dalam biaya awal karena agen sudah memiliki tool shell. Menjalankan apidog endpoint list --project 123 menggunakan tool Bash yang memang akan ia muat. Jalur MCP unggul saat Anda membutuhkan kapabilitas yang sama di beberapa client tanpa menulis integrasi terpisah untuk masing-masing — ini poin yang disampaikan Sylwia Lask: MCP bukan pengganti REST, melainkan cara standar bagi client AI untuk menemukan dan memanggil tool.
Client Anda mungkin sudah menunda pemuatan tool MCP
Sebelum Anda mencabut semua server, periksa dulu perilaku agen Anda. Perhitungan biaya di atas mengasumsikan definisi dimuat di awal. Beberapa client tidak lagi melakukannya secara default.
Dokumentasi MCP Claude Code menyatakan bahwa tool search aktif secara default: “Hanya nama tool dan instruksi server yang dimuat saat sesi dimulai”, dan definisi lengkap dimuat saat Claude mencarinya. Anda mengendalikannya dengan ENABLE_TOOL_SEARCH:
- tidak diatur atau
true: tool MCP ditunda dan dimuat sesuai permintaan auto: tool dimuat di awal selama total definisinya di bawah 10% dari context windowauto:N: sama, dengan persentase pilihan Andafalse: semua tool MCP dimuat di awal
Dua pengecualian penting: model yang lebih lama dari Opus 4 dan Sonnet 4 selalu memuat tool MCP di awal, dan server yang diatur alwaysLoad: true melewati penundaan. Jalankan /context di Claude Code untuk melihat tool mana yang ditandai sebagai deferred. Pada Claude API itu sendiri, konsep serupa adalah tool search tool: Anda mengatur defer_loading: true pada tool yang tidak boleh dimuat di awal, dan Anthropic menyebutkan hal ini biasanya memangkas token definisi lebih dari 85%.
Penundaan menyelesaikan biaya definisi, bukan biaya output: Claude Code memberi peringatan ketika tool MCP mengembalikan lebih dari 10.000 token dan membatasi output di 25.000 secara default (MAX_MCP_OUTPUT_TOKENS). Baru mengenal protokol ini? Mulailah dengan apa itu MCP dan mengapa penting untuk API.
Kapan memakai MCP vs CLI untuk pekerjaan API
Untuk desain, pengujian, dan dokumentasi API, gunakan pembagian ini:
- Gunakan CLI ketika tugasnya memang sesuatu yang biasa Anda jalankan di terminal: mendaftar endpoint, mengekspor file OpenAPI, membuat dan menjalankan test case, menjalankan suite di CI. Agen hanya membayar teks bantuan saat ia membutuhkannya, dan Anda bisa mempipe output melalui
jqatau--reportersagar tetap ringkas. - Gunakan server MCP yang spesifik ketika agen butuh akses baca terstruktur di setiap giliran, misalnya membaca spesifikasi OpenAPI Anda saat menulis kode client. Tiga tool dengan 291 token adalah harga yang wajar.
- Hindari membiarkan lima atau lebih server aktif secara global di semua proyek. Itulah setup yang menghasilkan “Run tests” sebesar 28.400 token.
Apa pun pilihan Anda, peringatan Sylwia tetap berlaku: tool yang menulis data perlu pemeriksaan izin di sisi server, langkah persetujuan manusia untuk aksi berisiko, dan deteksi duplikat agar eksekusi ulang tidak membuat record yang sama dua kali.
Biarkan coding agent Anda mengoperasikan Apidog CLI
Berikut jalur CLI untuk pekerjaan API, dengan coding agent Anda yang mengetik. Instal CLI, login sekali, lalu tambahkan skill agen:
npm install -g apidog-cli@latest
apidog auth login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com # pick your agent when prompted
Anda juga bisa memberi tahu agen “Read https://apidog.com/apidog-cli-installation-guide.md and set up Apidog CLI”, dan ia akan mengikuti panduan instalasi yang ramah agen.
Lalu berikan satu prompt:
In Apidog project 123, list the endpoints, export the spec as OpenAPI 3.1 to
./openapi.json, then create a test case for GET /users/{id} that asserts a 200
status and an id field, run it against environment 456 and summarize failures.
Read --help for each command before using it. Print only the lines you need.
Agen membaca bantuan sambil berjalan, memvalidasi JSON-nya, lalu menjalankan test case:
apidog endpoint list --project 123 --page 1 --page-size 500
apidog export --project 123 --format openapi --oas-version 3.1 --output ./openapi.json
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project 123 --file case.json
apidog run --test-case <caseId> --project 123 -e 456 -r cli,json
Setiap perintah mengembalikan JSON terstruktur, sering kali dengan agentHints.nextSteps, sehingga agen tahu apa yang harus dijalankan berikutnya tanpa memuat schema untuk setiap aksi yang mungkin. Baris apidog run ... -r junit yang sama bisa langsung dipakai di CI, seperti ditunjukkan dalam panduan pipeline CI/CD Apidog CLI. Untuk tutorial Claude Code, lihat Apidog CLI in Claude Code, dan untuk hemat panggilan tool yang terukur, lihat 30% lebih sedikit panggilan tool, 25% lebih sedikit token.
Untuk melihat semua kelompok perintah sebelum mulai, baca halaman Apidog CLI.
Cara memangkas biaya token MCP mulai hari ini
- Jalankan
/contextdi Claude Code (atau padanannya di client Anda) dan catat total definisi tool. - Pindahkan server yang tidak Anda butuhkan dari konfigurasi global ke konfigurasi proyek.
- Aktifkan deferred loading (
ENABLE_TOOL_SEARCHdi Claude Code). - Ganti server yang terlalu luas dengan CLI plus skill singkat untuk pekerjaan bergaya terminal.
- Untuk server yang Anda bangun sendiri, jaga agar tool tetap sedikit dan deskripsi tetap pendek.
FAQ
Apakah tool MCP menggunakan token meskipun agen tidak pernah memanggilnya? Pada client yang memuat definisi di awal, ya. Nama, deskripsi, dan input schema setiap tool masuk ke setiap permintaan. Client dengan deferred loading, seperti Claude Code dengan tool search aktif, hanya mengirim nama tool hingga sebuah tool benar-benar dibutuhkan.
Berapa token yang digunakan sebuah server MCP? Tergantung jumlah tool dan kedalaman schema. Dalam pengukuran saya, @playwright/mcp memakai 4.634 token untuk 25 tool dan server MCP Apidog memakai 291 untuk 3 tool, dihitung dengan tokenizer o200k_base.
Apakah CLI selalu lebih murah daripada MCP untuk agen AI? Untuk biaya awal, hampir selalu, karena agen memanfaatkan tool shell yang sudah ada. Namun per panggilan, CLI tetap bisa membanjiri context jika agen mencetak payload besar, jadi filter output di kedua pendekatan.
Apakah prompt caching menyelesaikan pembengkakan context MCP? Ia menurunkan harga definisi yang berulang. Tetapi ia tidak membebaskan context window, dan model tetap memperhatikan token tersebut di setiap giliran.
Apakah saya harus berhenti memakai server MCP? Tidak. Gunakan server yang spesifik untuk akses terstruktur di setiap giliran dan untuk berbagi satu kapabilitas lintas client. Pindahkan pekerjaan API bergaya terminal, seperti ekspor dan eksekusi tes, ke CLI.
