นี่คือซีรีส์ 10 ตอนที่บอกเล่าว่า Apidog พัฒนา Apidog CLI ซึ่งเป็นเครื่องมือบรรทัดคำสั่งสำหรับการทดสอบ API และการจัดการวงจรชีวิต API ได้อย่างไร อ่านตามลำดับหรือข้ามไปยังโพสต์ใดก็ได้ที่คุณสนใจ:
| หัวข้อ | จุดเน้น | |
|---|---|---|
| 1 | เราสร้างเครื่องมือ MCP 126 ชิ้น แต่มันไม่ใช่โซลูชันที่ดีที่สุดสำหรับ Agent | การค้นพบปัญหา |
| 2 | ทำไมเราจึงพัฒนา Apidog CLI ขึ้นมาใหม่ | การพัฒนาระบบสถาปัตยกรรม |
| 3 | กฎทอง: CLI สร้างข้อเท็จจริง, โมเดลกระทำบนข้อเท็จจริง | ปรัชญาหลัก |
| 4 | agentHints: สอน CLI ให้สื่อสารกับ Agent |
ผลลัพธ์ที่มีโครงสร้าง |
| 5 | SKILL: การส่งมอบประสบการณ์การทำงานในรูปแบบโค้ด | ประสบการณ์การปฏิบัติงาน |
| 6 | ตัวเลขไม่โกหก: เรียกใช้เครื่องมือลดลง 30%, ใช้ Token ลดลง 25% | ผลลัพธ์เชิงปริมาณ |
| 7 | จาก PRD สู่ Testing Loop: เวิร์กโฟลว์ Agent ที่สมบูรณ์ด้วย Apidog CLI | บทแนะนำการใช้งานจริง |
| 8 | ทำไมความเข้ากันได้กับ CI/CD จึงเป็นสิ่งสำคัญที่ไม่สามารถต่อรองได้สำหรับเครื่องมือ Agent | มุมมอง DevOps |
| 9 | AI Branch: การเปลี่ยนแปลงโปรเจกต์ที่ปลอดภัยยิ่งขึ้นด้วย AI Agents | ชั้นความปลอดภัย |
| 10 | Spec-First เป็นเรื่องของเมื่อวาน ยินดีต้อนรับสู่ Skill-First. | วิสัยทัศน์และอนาคต |
เราสร้างเครื่องมือ MCP 126 ชิ้น แต่เราพบว่ามันไม่ใช่ทางออกที่ดีที่สุดสำหรับการทำงานเกี่ยวกับการพัฒนา API ด้วย Agent
เมื่อ MCP (Model Context Protocol) กลายเป็นประเด็นร้อนในอุตสาหกรรมช่วงต้นปี 2025 คำถามที่ผลิตภัณฑ์ API ทุกตัวต้องเผชิญนั้นเรียบง่าย: "คุณมี MCP หรือไม่?"
สำหรับ Apidog เราตอบว่ามี เราสร้าง MCP Server ที่สมบูรณ์ ไม่ใช่แค่การสาธิตง่ายๆ ไคลเอ็นต์ MCP จะเริ่มต้นเซสชัน เซิร์ฟเวอร์จะสร้าง sessionId และบันทึกสถานะเซสชันผ่าน Redis มันเป็นระบบเซสชันระดับโปรโตคอล เราแบ่งเครื่องมือออกเป็นหมวดหมู่: เครื่องมือโปรเจกต์ดั้งเดิม เครื่องมือโดเมนในตัว และเครื่องมือที่สร้างขึ้น 126 ชิ้นที่แปลงโดยอัตโนมัติจากคำจำกัดความของ OpenAPI endpoint
Apidog MCP ยังคงทำงานและให้บริการแก่ผู้ใช้ที่ต้องการการผสานรวม MCP มันให้การเชื่อมต่อเครื่องมือที่เป็นมาตรฐานตามโปรโตคอล MCP ซึ่งมีคุณค่าต่อระบบนิเวศ
แต่เมื่อเราเข้าสู่ภารกิจจริงที่เกี่ยวข้องกับเวิร์กโฟลว์ R&D ที่ซับซ้อน เราก็ค้นพบข้อจำกัด เมื่อผู้ใช้พูดว่า "ช่วยเพิ่มการทดสอบสำหรับ endpoint นี้และทำการตรวจสอบ" Agent ก็ต้องเผชิญกับเครื่องมือที่กระจัดกระจายไปหมด ซึ่งต้องตัดสินใจว่าจะใช้เครื่องมือใด ในลำดับใด และมีการตรวจสอบแบบใด
เราตระหนักว่า: MCP เก่งในการเชื่อมต่อเครื่องมือ แต่ภารกิจ R&D ที่ซับซ้อนต้องการมากกว่าการเชื่อมต่อเครื่องมือ—มันต้องการกระบวนการทางวิศวกรรมที่สามารถดำเนินการได้
ความเข้าใจนั้นนำเราไปสู่การพัฒนา Apidog CLI ในฐานะแนวทางที่ดีกว่า—ซึ่งจัดการเวิร์กโฟลว์การพัฒนาได้ดีขึ้น
Apidog CLI คืออะไร?
Apidog CLI เป็นเครื่องมือบรรทัดคำสั่งสำหรับการทดสอบ API ที่ช่วยให้คุณสามารถเรียกใช้สถานการณ์การทดสอบ จัดการเอกสาร API และทำให้เวิร์กโฟลว์การทดสอบเป็นไปโดยอัตโนมัติได้โดยตรงจากเทอร์มินัลหรือ CI/CD pipelines ของคุณ สร้างขึ้นมาโดยเฉพาะสำหรับ AI agents เพื่อจัดการทรัพยากร API โดยมันก้าวข้าม CLI แบบดั้งเดิมสำหรับการทดสอบ API ด้วยการให้ผลลัพธ์ที่มีโครงสร้าง การตรวจสอบ schema และคำแนะนำขั้นตอนถัดไปที่ agents ต้องการเพื่อดำเนินการเวิร์กโฟลว์ที่ซับซ้อนได้อย่างปลอดภัย ไม่ว่าคุณจะกำลังเรียกใช้การทดสอบ API อัตโนมัติใน GitHub Actions สร้างกรณีทดสอบจากโค้ดด้วย Claude Code หรือดูแลรักษาสถานการณ์การทดสอบในโปรเจกต์ต่างๆ Apidog CLI ทำหน้าที่เป็นสะพานเชื่อมระหว่าง AI agents และโครงสร้างพื้นฐานการทดสอบ API ของคุณ
เริ่มต้นอย่างรวดเร็ว: ลองใช้ Apidog CLI + SKILL
หากคุณต้องการลองใช้แนวทางที่อธิบายไว้ในซีรีส์นี้ นี่คือวิธีการเริ่มต้น:
# ติดตั้ง Apidog CLI
npm install -g apidog-cli@latest
# ติดตั้ง SKILL ที่ใช้ร่วมกันสำหรับ AI Agents
apidog skill install
# ตรวจสอบเวอร์ชัน (ต้องเป็น 2.2.5+ สำหรับความสามารถใหม่)
apidog -v
# รับรองความถูกต้อง
หรือขอให้ AI Agent ของคุณติดตั้งมัน:
อ่านคำแนะนำและช่วยฉันติดตั้ง Apidog CLI:
ภารกิจ Agent แรกของคุณ
หลังจากการติดตั้ง ให้มอบภารกิจเล็กๆ ที่มีความเสี่ยงต่ำให้กับ Agent ของคุณ:
ใช้ Apidog CLI เพื่อช่วยฉันสร้าง API endpoint แรกใน Apidog
ก่อนอื่น ให้ตรวจสอบการตั้งค่า Apidog CLI ของฉันและแสดงรายการโปรเจกต์ที่ฉันสามารถเข้าถึงได้
ถามฉันว่าจะใช้โปรเจกต์ไหน หลังจากฉันยืนยันแล้ว ให้สร้าง GET /health
endpoint อย่างง่ายที่ชื่อ Health Check พร้อมตัวอย่างการตอบกลับแบบ 200 ตรวจสอบ
อินพุตที่มีโครงสร้างใดๆ ก่อนเขียน จากนั้นอ่าน endpoint กลับมาและสรุป
สิ่งนี้ทำให้คุณมีจุดเริ่มต้นที่เป็นรูปธรรม: Agent ตรวจสอบการตั้งค่า สอบถามก่อนเขียน สร้างคำจำกัดความ API ขนาดเล็ก ตรวจสอบก่อนเขียน และยืนยันผลลัพธ์ที่บันทึกไว้
สถาปัตยกรรมหลัก
| เลเยอร์ | ความรับผิดชอบ |
|---|---|
| Apidog | จัดการ API และ assets การทดสอบ (เอกสาร, schemqa, mocks, การทดสอบ, รายงาน) |
| CLI | ให้การดำเนินการที่กำหนดได้ (อ่าน, ตรวจสอบ, เขียน, รัน) |
| SKILL | ให้การตัดสินงานและเส้นทางการดำเนินการ (8 Skills ที่ใช้ร่วมกัน) |
| AI Branch | แยกการเปลี่ยนแปลงสำหรับการตรวจสอบโดยมนุษย์ก่อนการรวม |
| Agents | เข้าใจเป้าหมาย เรียกใช้คำสั่ง ปรับเปลี่ยนตามข้อเสนอแนะ |
ลูปที่ปลอดภัยยิ่งขึ้นสำหรับการทดสอบที่ขับเคลื่อนโดย Agent
ด้วย AI Branch เป็นชั้นความปลอดภัยภายนอก เวิร์กโฟลว์ที่สมบูรณ์จะมีลักษณะดังนี้:
┌─────────────────────────────────────────────────────────────────────┐
│ AI BRANCH (ชั้นความปลอดภัย) │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ อ่าน Assets │────▶│ สร้าง │────▶│ ตรวจสอบ │ │
│ │ (CLI get) │ │ (Agent) │ │ (cli-schema)│ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ รันการทดสอบ │◀────│ อ่านกลับ │◀────│ เขียน │ │
│ │ (apidog run)│ │ (CLI get) │ │ (ไปยัง AI Br.)│ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────┐ │
│ │ การตรวจสอบและรวมโดยมนุษย์ │ │
│ │ (ผู้ใช้ยืนยันก่อน main branch) │ │
│ └──────────────────────────────────────┘ │
ลูปนี้มีความสำคัญเนื่องจากทรัพยากร Apidog จำนวนมากมีโครงสร้าง กรณีทดสอบและสถานการณ์ทดสอบประกอบด้วยข้อมูลคำขอ การยืนยัน การดึงตัวแปร ตัวประมวลผลก่อน/หลัง ลำดับขั้นตอน และการอ้างอิงสภาพแวดล้อม หาก Agent เดาโครงสร้าง ความผิดพลาดเล็กน้อยจะทำให้การเขียนล้มเหลว การแสดงผลไม่สมบูรณ์ หรือการทดสอบไม่เป็นไปตามที่คาดไว้
ให้ Agent สร้าง ให้ CLI ตรวจสอบ และให้ AI Branch แยกการเปลี่ยนแปลงจนกว่าจะมีการตรวจสอบโดยมนุษย์
ภาพรวมเส้นทาง Apidog CLI
ซีรีส์นี้บันทึกว่าเราพัฒนา Apidog CLI เป็นกลยุทธ์ที่ดีกว่าสำหรับเวิร์กโฟลว์ R&D API ได้อย่างไร
Apidog MCP ยังคงให้การเชื่อมต่อเครื่องมือที่เป็นมาตรฐาน—ซึ่งมีคุณค่าและเรายังคงรักษามันไว้ แต่สำหรับงานที่เกี่ยวข้องกับเวิร์กโฟลว์หลายขั้นตอน ประตูการตรวจสอบ และการดำเนินการที่มีโครงสร้าง เราพบว่า CLI + SKILL มอบประสบการณ์ที่ดีกว่า
เราไม่ได้เพียงแค่เพิ่มคำสั่งลงใน CLI แบบเก่า ที่ผู้ใช้เรียกใช้การทดสอบ API อัตโนมัติที่ผสานรวมกับ CI/CD ของพวกเขา เราได้นำความสามารถหลักของ Apidog มาสู่ CLI อย่างเป็นระบบ ทำให้มันเป็นเลเยอร์เวิร์กโฟลว์สำหรับนักพัฒนา สคริปต์ และ AI Agents
ความแตกต่างที่สำคัญคือความซับซ้อนอยู่ที่ใด:
- เส้นทาง MCP: ความซับซ้อนอยู่ในบริบทของโมเดลและขั้นตอนการเลือกเครื่องมือ—เหมาะสำหรับการเรียกใช้เครื่องมือง่ายๆ
- เส้นทาง CLI + SKILL: ความซับซ้อนกระจายอยู่ในระบบวิศวกรรม—ดีกว่าสำหรับเวิร์กโฟลว์ที่ซับซ้อนมากขึ้น
ผลลัพธ์: เวิร์กโฟลว์ Agent ที่ปลอดภัยยิ่งขึ้นสำหรับงานที่ซับซ้อน การเรียกใช้เครื่องมือน้อยลง การสิ้นเปลืองโทเค็นน้อยลง และการกู้คืนข้อผิดพลาดที่ดีขึ้น—ในขณะที่ MCP ยังคงพร้อมใช้งานสำหรับผู้ใช้ที่ชอบแนวทางนั้น
แผนที่เส้นทาง Apidog CLI
┌─────────────────────────────────────────────────────────────────┐
│ THE APIDOG CLI + SKILL JOURNEY │
├─────────────────────────────────────────────────────────────────┤
│ │
│ [การค้นพบปัญหา] │
│ │ │
│ ┌───┐ │
│ │ 1 │ เราสร้างเครื่องมือ MCP 126 ชิ้น จากนั้นเราพบ │
│ └───┘ แนวทางที่ดีกว่าสำหรับเวิร์กโฟลว์ │
│ │ │
│ ▼ │
│ [การพัฒนาสถาปัตยกรรม] │
│ ┌───┐ │
│ │ 2 │ ทำไมเราถึงพัฒนา Apidog CLI ใหม่ทั้งหมด │
│ └───┘ │
│ │ │
│ ├──────────────────┬──────────────────┐ │
│ ▼ ▼ ▼ │
│ [ปรัชญาหลัก] [การออกแบบทางเทคนิค] │
│ ┌───┐ ┌───┐ ┌───┐ │
│ │ 3 │ CLI สร้าง │ 4 │ agentHints: │ 5 │ SKILL: การส่งมอบ │
│ └───┘ ข้อเท็จจริง └───┘ การสอน └───┘ ประสบการณ์ │
│ │ │ CLI │ การทำงาน │
│ │ │ │ │
│ └──────────────┴──────────────────┘ │
│ │ │
│ ▼ │
│ [การตรวจสอบและการปฏิบัติ] │
│ ┌───┐ ┌───┐ │
│ │ 6 │───────│ 7 │ │
│ └───┘ ตัวเลข │ PRD ถึง Testing │
│ │ │ Loop │
│ ▼ ▼ │
│ [รากฐาน] [ชั้นความปลอดภัย] │
│ ┌───┐ ┌───┐ │
│ │ 8 │───────│ 9 │ │
│ └───┘ CI/CD │ AI Branch │
│ │ │ │
│ └────────┘ │
│ │ │
│ ▼ │
│ [วิสัยทัศน์] │
│ ┌────┐ │
│ │ 10 │ Spec-First → Skill-First │
│ └────┘ │
│ │
การนำทางเส้นทางอย่างรวดเร็ว
ตอนที่ 1: การค้นพบปัญหา
MCP ให้การเชื่อมต่อเครื่องมือที่เป็นมาตรฐาน—แต่สำหรับเวิร์กโฟลว์ R&D ที่ซับซ้อน เราค้นพบข้อจำกัด Agents ต้องเผชิญกับเครื่องมือที่กระจัดกระจายเมื่อภารกิจเกี่ยวข้องกับกระบวนการหลายขั้นตอน โพสต์นี้สำรวจความท้าทายเชิงโครงสร้างสี่ประการ และเหตุผลที่ CLI + SKILL ดีกว่าสำหรับงานที่เน้นเวิร์กโฟลว์
ตอนที่ 2: การพัฒนาสถาปัตยกรรม
2. ทำไมเราถึงพัฒนา Apidog CLI ใหม่ทั้งหมด
เราไม่ได้ละทิ้ง MCP—เราสร้าง CLI + SKILL เพื่อจัดการในสิ่งที่ MCP ไม่ได้ปรับให้เหมาะสม: เวิร์กโฟลว์ที่ซับซ้อนพร้อมประตูการตรวจสอบและการดำเนินการที่มีโครงสร้าง โพสต์นี้เปรียบเทียบชุดการดำเนินการและอธิบายว่า CLI + SKILL กระจายความซับซ้อนเข้าสู่ระบบวิศวกรรมได้อย่างไร ในขณะที่ MCP ยังคงทำหน้าที่ของมันต่อไป
ตอนที่ 3: ปรัชญาหลัก
3. กฎทอง: CLI สร้างข้อเท็จจริง โมเดลทำงานบนข้อเท็จจริง
หลักการสำคัญ: อย่าให้โมเดลจดจำกฎทั้งหมด—ให้กฎถูกดำเนินการในตำแหน่งที่เหมาะสม โพสต์นี้แนะนำ `cli-schema validate` ซึ่งเป็นประตูคุณภาพที่ตรวจจับข้อผิดพลาดของฟิลด์ enum ที่ผิดพลาด และปัญหาเชิงโครงสร้างก่อนที่จะกลายเป็นการเขียนที่ล้มเหลว
ตอนที่ 4-5: การออกแบบทางเทคนิค
4. agentHints: การสอน CLI ให้สื่อสารกับ Agents
ผลลัพธ์ CLI แบบดั้งเดิมมีไว้สำหรับมนุษย์ Agents ต้องการผลลัพธ์ที่มีโครงสร้าง เหตุผลความล้มเหลว และคำแนะนำขั้นตอนถัดไป `agentHints` เปลี่ยนประสบการณ์ผลิตภัณฑ์ให้เป็นคำแนะนำที่เครื่องอ่านได้—ปรากฏในจุดที่ Agents ต้องการตัดสินใจได้อย่างแม่นยำ
5. SKILL: การส่งมอบประสบการณ์การทำงานเป็นโค้ด
SKILL ไม่ใช่แค่การอ้างอิงคำสั่ง มันคือคู่มือการปฏิบัติงานสำหรับ AI Agents: ควรใช้คำสั่งเมื่อใด สิ่งใดควรมาก่อน ฟิลด์ใดไม่ควรเดา เมื่อใดควรตรวจสอบ เมื่อใดควรอ่านกลับ SKILL บรรจุความรู้เกี่ยวกับเวิร์กโฟลว์ลงในคู่มือที่สามารถควบคุมเวอร์ชันและพัฒนาได้
ตอนที่ 6-7: การตรวจสอบและการปฏิบัติ
6. ตัวเลขไม่โกหก: ลดการเรียกใช้เครื่องมือลง 30%, ลดโทเค็นลง 25%
เราเปรียบเทียบ MCP กับ CLI + SKILL ในงานทั่วไป ขั้นตอนการเรียกใช้เครื่องมือลดลงประมาณ 30% การใช้โทเค็นจากคำอธิบายที่ไม่ถูกต้องและการลองใหม่ลดลงประมาณ 25% การลองใหม่ข้อผิดพลาดเชิงโครงสร้างลดลงประมาณ 40% โพสต์นี้จะวิเคราะห์ว่าการประหยัดมาจากไหน
7. ตั้งแต่ PRD จนถึง Testing Loop: เวิร์กโฟลว์ Agent ที่สมบูรณ์ด้วย Apidog CLI
เดินชมตัวอย่างจริง: ทีมมี PRD และโค้ดเบสสำหรับการคืนเงินคำสั่งซื้อ ดูว่า Agent ใช้ CLI + SKILL เพื่อสร้าง OpenAPI, สร้างกรณีทดสอบ, ตรวจสอบโครงสร้าง, สร้างสถานการณ์การทดสอบ และรันการตรวจสอบได้อย่างไร—ตั้งแต่ต้นจนจบ
ตอนที่ 8-9: รากฐานและความปลอดภัย
8. ทำไมความเข้ากันได้กับ CI/CD จึงเป็นสิ่งที่ไม่สามารถต่อรองได้สำหรับเครื่องมือ Agent
ความเป็นมิตรต่อ Agent ต้องสร้างขึ้นบนความเป็นมิตรต่อ CI/CD `apidog run` ตอบสนองทั้งสองอย่าง: CI ใส่ใจเกี่ยวกับ exit codes, ไฟล์รายงาน, พารามิเตอร์ที่เสถียร; Agents ใส่ใจเกี่ยวกับผลลัพธ์ที่มีโครงสร้าง, เหตุผลความล้มเหลว, คำแนะนำขั้นตอนถัดไป หนึ่งคำสั่ง ผู้ใช้งานหลายคน
9. AI Branch: การเปลี่ยนแปลงโปรเจกต์ที่ปลอดภัยยิ่งขึ้นด้วย AI Agents
เมื่อ Agents แก้ไขทรัพยากรโปรเจกต์ ความปลอดภัยเป็นสิ่งสำคัญ AI Branch ให้การแก้ไขแบบแยกส่วน—การเปลี่ยนแปลงจะยังคงอยู่ใน branch ที่แยกต่างหากจนกว่าจะมีการตรวจสอบโดยมนุษย์ สิ่งนี้ป้องกันการเปลี่ยนแปลงอัตโนมัติจากการส่งผลกระทบโดยตรงต่อ main branch สร้าง ตรวจสอบ จากนั้นรวมด้วยความมั่นใจ
ตอนที่ 10: วิสัยทัศน์และอนาคต
10. Spec-First เป็นเรื่องของเมื่อวาน ยินดีต้อนรับสู่ Skill-First.
การพัฒนา API กำลังเปลี่ยนแปลงไปพร้อมกับ AI Agents ที่เข้าร่วมในเวิร์กโฟลว์ Spec-First มีไว้สำหรับการทำงานร่วมกันของมนุษย์ Skill-First บรรจุสเปก การทดสอบ และสถานการณ์ต่างๆ ให้เป็น skills ที่สามารถดำเนินการและตรวจสอบได้—เสริมแนวทางที่มีอยู่แล้วสำหรับยุค Agent โพสต์นี้สรุปอนาคตและให้ขั้นตอนเริ่มต้นใช้งานที่เป็นรูปธรรม
ประเด็นสำคัญ (TL;DR)
| ข้อมูลเชิงลึก | ความหมาย |
|---|---|
| MCP และ CLI + SKILL ตอบสนองความต้องการที่แตกต่างกัน | MCP เชื่อมต่อเครื่องมือ; CLI + SKILL ดำเนินการเวิร์กโฟลว์—ใช้สิ่งที่เหมาะกับงานของคุณ |
| ความซับซ้อนควรอยู่ในงานวิศวกรรม ไม่ใช่บริบท | เครื่องมือ 126 ชิ้น × 500 โทเค็น = ภาระ 50,000 โทเค็นสำหรับเวิร์กโฟลว์ที่ซับซ้อน |
| `cli-schema validate` คือประตูคุณภาพ | ตรวจจับข้อผิดพลาดในเครื่อง ไม่ใช่จากการเขียนที่ล้มเหลว |
| `agentHints` นำทางขั้นตอนถัดไป | ป้องกัน Agents ไม่ให้เขียนโดยอาศัย "จินตนาการ" |
| SKILL บรรจุประสบการณ์การทำงาน | ไม่ใช่แค่คำสั่ง—แต่เป็นความรู้เกี่ยวกับเวิร์กโฟลว์สำหรับ Agents |
| CI/CD ยังคงเป็นรากฐาน | คุณสมบัติของ Agent ถูกเพิ่มเข้ามา ไม่ได้แทนที่ CI |
| AI Branch ให้ชั้นความปลอดภัย | การแก้ไขแบบแยกส่วน + การตรวจสอบโดยมนุษย์ก่อนการรวม |
เริ่มอ่าน
พร้อมที่จะเจาะลึกแล้วหรือยัง? เริ่มต้นด้วย โพสต์ที่ 1: เราสร้างเครื่องมือ MCP 126 ชิ้น จากนั้นเราพบแนวทางที่ดีกว่าสำหรับเวิร์กโฟลว์.
ดาวน์โหลด Apidog เพื่อออกแบบ, จำลอง, ทดสอบ, และ จัดทำเอกสาร API ในพื้นที่ทำงานเดียว เรียนรู้เพิ่มเติมเกี่ยวกับ Apidog CLI สำหรับการทดสอบ API ด้วยบรรทัดคำสั่ง, การทำงานอัตโนมัติของ CI และเวิร์กโฟลว์ AI Agent