api2cli：让 Claude 把任意 API 自动变成 CLI 工具和 Skill

api2cli 是一个 Claude Code 技能，能将任意 API 自动转换为可用的 CLI 工具，并进一步生成 SKILL.md 文档——让未来的 Claude 会话无需阅读代码即可直接调用。

只需指向 API 文档页面、实时 URL 或 peek-api 抓包文件，Claude 就能自动发现所有端点，生成完整的 Commander.js CLI（带双模式输出：终端人类可读 + 管道 JSON 信封），并创建技能文件夹。这相当于套了两层娃：先让 AI 把 API 包装成 CLI，再让 AI 给自己写使用说明书。

生成的 CLI 功能完整：支持认证、分页、重试退避、限速、缓存，每个 API 端点对应一个子命令。错误处理对 Agent 友好，附带修复建议。端点发现支持三种方式：文档解析、主动探测、peek-api 网络抓包。整个流程从发现到生成到测试全自动，堪称 Agent 工具链的基础设施级项目。

项目概述

api2cli 是一个为 Claude Code 设计的技能（Skill），核心功能是将任意 API 自动转换为 Commander.js CLI 工具，并生成配套的 SKILL.md 文档。这意味着你只需告诉 Claude 一个 API 的入口，它就能完成从端点发现、CLI 代码生成、到技能文档创建的全流程。

核心特性

三种端点发现方式

  • **文档解析**：指向公开 API 文档页面，自动抓取和解析端点信息
  • **主动探测**：提供 base URL 和凭据，Claude 主动探测可用端点
  • **peek-api 抓包**：配合 peek-api 工具监控网络流量，从实际请求中发现隐藏 API

双模式 CLI 输出

生成的 CLI 具有智能输出模式切换：

  • **终端模式**：人类可读的格式化表格输出
  • **管道模式**：自动检测管道环境，输出 JSON 信封格式，包含 HATEOAS 风格的 `next_actions` 建议

完整的 API 客户端

  • 认证管理（API Key、OAuth 等）
  • 自动分页处理
  • 指数退避重试
  • 请求限速
  • 响应缓存
  • Agent 友好的错误处理（附修复建议）

自动生成 Skill

生成的 `.claude/skills/{service}/SKILL.md` 包含：

  • 所有可用命令及示例
  • 常用多步骤工作流
  • 触发短语（让 Claude 自动激活）
  • 认证配置和 Agent 使用说明

使用方式

git clone https://github.com/alexknowshtml/api2cli.git
cp -r api2cli/skill/ /path/to/your/project/.claude/skills/api2cli/

然后在 Claude Code 中说：

  • "Build me a CLI for the Resend API"
  • "Generate a CLI from these docs: https://docs.example.com/api"
  • "Turn this peek-api capture into a CLI"

实际效果示例

以 Resend 邮件 API 为例，Claude 能发现 15 个端点、5 个资源组（emails、domains、api-keys、audiences、contacts），自动生成对应的 CLI 子命令，并创建完整的技能文档。

设计理念

项目灵感来自于给 AI Agent 提供工具访问能力的需求。发现 Agent 天然擅长使用 CLI，于是构建了这个从 API 到 CLI 再到 Skill 的自动化管线。输出模式的设计（JSON 信封、HATEOAS next_actions、自文档化根命令、错误修复建议）参考了 Joel Hooks 的 agent-first CLI 设计理念。

深度分析与行业展望

从更宏观的视角来看，这一发展体现了AI技术从实验室走向产业化应用的加速趋势。行业分析师普遍认为，2026年将是AI商业化的关键转折年。在技术层面，大模型的推理效率持续提升，部署成本不断下降，使得更多中小企业能够接入先进的AI能力。在市场层面，企业对AI投资的回报预期正在从长期战略转向短期可量化收益。

然而，AI的快速普及也带来了新的挑战：数据隐私保护的复杂化、AI决策透明度的需求增加、以及跨境AI治理协调的困难。多国监管机构正在密切关注相关动态，试图在促进创新与防范风险之间寻找平衡。对于投资者而言，识别真正具有可持续竞争优势的AI企业变得越来越重要。

从产业链角度分析，上游基础设施层正在经历整合与重构，头部企业通过垂直整合不断扩大竞争壁垒。中游平台层的开源生态日益繁荣，降低了AI应用的开发门槛。下游应用层则呈现百花齐放的态势，金融、医疗、教育、制造等传统行业的AI渗透率正在加速提升。

此外，人才竞争已成为AI产业发展的关键瓶颈。全球顶尖AI研究人员的争夺战日趋激烈，各国政府纷纷出台吸引AI人才的优惠政策。产学研协同创新模式正在全球范围内推广，有望加速AI技术的产业化转化。