Anthropic官方发布了一篇文章，介绍了MCP的重大革新，相当于重构了。

让AI智能体通过编写代码调用工具，而非直接调用，能实现惊人的效率扩展，成本节省98.7%。

模型上下文协议，即MCP，是一项旨在连接AI智能体与外部世界的开放标准。

在它出现之前，每一种智能体与工具的连接，都需要一次定制化的开发。

这种重复且分散的工作，极大地阻碍了构建真正互联互通的智能系统。

MCP提供了一种通用语言，开发者只需在自己的智能体中实现一次MCP，便能解锁一个由无数集成组成的庞大生态系统。

自2024年11月推出以来，MCP的普及速度超乎想象。

社区构建了数以千计的MCP服务器，主流编程语言均已支持相应的软件开发工具包。

MCP已然成为业界连接智能体与外部工具和数据的标准。

今天，开发者们构建的智能体已经可以轻松访问分布在数十个MCP服务器上的成百上千种工具。

但一个新问题随之而来，随着连接工具数量的爆炸式增长，一种低效的模式开始浮现。

在任务开始前，将所有工具的定义全部加载到模型的上下文窗口中，并在每次工具调用后，将中间结果也塞入其中，这严重拖慢了智能体的响应速度，并急剧增加了运行成本。

这篇文章深入探讨了一种新的交互范式：代码执行。

它将揭示智能体如何通过这种方式，更高效地与MCP服务器互动，用更少的token处理更多的工具，解决规模化带来的效率难题。

臃肿的上下文正在拖累智能体

当智能体接入的工具规模越来越大时，两种模式会显著增加成本和延迟。

一种是工具定义本身就挤占了上下文窗口。

另一种是工具返回的中间结果，进一步消耗了宝贵的上下文空间。

我们先来看第一种情况，工具定义是如何塞满上下文窗口的。

多数MCP客户端的实现方式，是在一开始就将所有可用工具的定义，通过一种直接的工具调用语法，全部加载到模型的上下文中。

这些定义信息通常是这样的：

每一个工具的描述，都像一本小小的说明书。

当智能体只连接几个工具时，这不成问题。

但想象一下，当一个智能体需要面对成百上千个工具时，这些说明书会汇集成一部厚重的字典。

模型在处理用户真正的请求之前，就必须先通读这整部字典，耗费成千上万甚至数十万的token，这无疑增加了响应时间和经济成本。

现在来看第二种情况，中间结果是如何消耗上下文的。

多数MCP客户端允许模型直接调用MCP工具。假设我们向智能体发出一个指令：从谷歌硬盘下载我的会议纪要，并将其附加到销售力量的潜在客户记录中。

模型的处理流程可能是这样的：

在这个过程中，每一次工具调用的中间结果，都必须先经过模型。

完整的会议纪要文本，先是从谷歌硬盘流入模型，再由模型原封不动地传递给销售力量。

一份长达两小时的销售会议纪要，可能意味着额外处理多达5万个token。

如果处理的是更庞大的文档，甚至可能直接超出上下文窗口的长度限制，导致整个工作流彻底中断。

更重要的是，当模型需要在大块的文档或复杂的数据结构之间复制粘贴数据时，出错的概率也会随之增加。

MCP客户端将工具定义加载进模型的上下文窗口，并主导一个消息循环，每一次的工具调用和结果返回，都必须在模型这里过一手。

代码执行让上下文效率获得解放

随着代码执行环境在智能体中的普及，一个优雅的解决方案应运而生。

我们可以将MCP服务器提供的工具，不再视为需要直接调用的函数，而是包装成代码层面的API。

这样，智能体便能通过编写和执行代码来与MCP服务器互动。

这种方法巧妙地解决了前面提到的两个挑战。

智能体可以只加载当前任务所需的工具信息，并且能在代码执行环境中对数据进行预处理，之后再将最关键的结果返回给模型。

实现这一目标的方式有很多。

一种直观的思路是，将所有连接的MCP服务器及其工具，生成一个清晰的文件目录树结构。

下面是一个使用TypeScript语言的实现示例：

目录结构清晰地反映了可用的服务和工具。每一个工具都对应一个文件，其内容大致如下：

在这个新模式下，智能体发现工具的方式，变成了探索文件系统。

它可以通过列出./servers/目录，来发现所有可用的服务，比如谷歌硬盘和销售力量。

然后，它会根据任务需求，只读取特定工具的文件，比如getDocument.ts和updateRecord.ts，来理解这两个工具的接口和用法。

这种按需加载的方式，带来的效率提升是惊人的。

原本可能需要消耗15万token的预加载过程，现在可能只需要2000token。

这直接带来了98.7%的时间和成本节省。

Cloudflare公司也发表过类似的发现，他们将这种用代码执行与MCP交互的模式称为代码模式。

其核心洞察是相同的：大语言模型天生就擅长编写代码，开发者应该充分利用这一优势，构建与MCP服务器交互更高效的智能体。

代码执行带来一系列深刻的优势

代码执行与MCP的结合，不仅仅是节省token这么简单。

它通过按需加载工具、在数据抵达模型前进行过滤，以及单步执行复杂逻辑，极大地提升了智能体的上下文使用效率。

除此之外，它还在安全性和状态管理方面，带来了意想不到的好处。

首先是渐进式信息披露。

模型非常擅长在文件系统中导航。

将工具呈现为文件系统中的代码，允许模型按需读取工具的定义，而不是在一开始就囫囵吞下所有信息。

这就好像一位厨师，不再需要把厨房里所有的菜谱都摊在面前，而是在决定做什么菜之后，才去书架上找到那一本。

另一种实现方式是，在服务器上提供一个search_tools（搜索工具）的工具。

当智能体需要与销售力量交互时，它可以先搜索salesforce，服务器会返回相关的工具列表。

这个搜索工具还可以包含一个细节级别参数，让智能体可以选择需要的信息详细程度，比如只返回工具名称，或者返回名称加描述，亦或是包含完整参数和模式的全部定义。

这同样能帮助智能体节约上下文，高效地找到所需工具。

其次是上下文效率极高的工具结果处理。

当处理大规模数据集时，智能体可以在代码中先对结果进行过滤和转换，再决定将什么信息返回给模型。

想象一下获取一个包含1万行数据的电子表格。在没有代码执行的模式下，所有数据都将涌入上下文：

最终，模型只需要看到5行相关的样本数据，而不是全部的1万行。

类似地，数据聚合、跨多个数据源的连接，或是从复杂对象中提取特定字段等操作，都可以在不污染上下文窗口的情况下高效完成。

再次是更强大且上下文友好的控制流程。

循环、条件判断和错误处理，这些在软件工程中司空见惯的逻辑，现在可以用人们熟悉的代码模式来实现，而不再需要通过一系列独立的工具调用来笨拙地模拟。

例如，如果需要等待一个在Slack频道中出现的部署完成通知，智能体可以直接编写如下代码：

这种方式，远比在MCP工具调用和休眠指令之间反复切换的智能体循环要高效得多。

此外，能够一次性写出一个完整的条件分支树并交由代码环境执行，也大大减少了首个token生成时间的延迟。

智能体无需等待模型慢悠悠地评估一个if语句，而是让代码执行环境瞬间完成判断。

代码执行还带来了保护隐私的操作。

当智能体使用代码执行与MCP交互时，所有的中间结果默认都保留在代码执行环境中。

只有被显式打印或返回的内容，才会被模型看到。

这意味着，那些我们不希望与模型共享的敏感数据，可以在整个工作流中顺畅流转，而完全不进入模型的上下文。

对于更敏感的工作负载，智能体的运行环境甚至可以自动对敏感数据进行脱敏处理。

想象一个场景，你需要将一份包含客户联系方式的电子表格导入到销售力量中。智能体编写的代码是这样的：

MCP客户端会在数据发送给模型之前，拦截并脱敏其中的个人身份信息（PII）。

如果智能体此刻打印sheet.rows，它看到的会是这样：

当这些脱敏后的数据在下一次MCP工具调用中被使用时，MCP客户端会通过内部的映射表将其还原。

真实的电子邮件、电话号码和姓名，从谷歌表格安全地流向了销售力量，但从未经过模型本身。

这从机制上防止了智能体意外记录或处理敏感数据。

开发者还可以利用这一特性，来定义确定性的安全规则，精确控制数据的流向。

最后是状态的持久化与技能的沉淀。

拥有文件系统访问能力的代码执行环境，允许智能体在多次操作之间保持状态。

智能体可以将中间结果写入文件，从而实现任务的中断和恢复。

更令人兴奋的是，智能体可以将自己编写的有效代码，保存为可复用的函数，也就是技能。

当智能体成功完成一项任务后，它可以将实现该任务的代码固化下来，以备将来使用。

这与技能的概念紧密相连。

技能本质上是包含了可复用指令、脚本和资源的文件夹，模型可以利用它们来提升在特定任务上的表现。

通过在这些保存的函数旁边，再添加一个SKILL.md的说明文件，就创造了一个结构化的技能，模型可以方便地引用和调用。

随着时间的推移，智能体能够为自己构建一个强大的、由各种高级能力组成的工具箱，不断进化，以更高效地完成工作。

当然，代码执行也引入了其自身的复杂性。

运行由智能体生成的代码，需要一个绝对安全的执行环境。

这个环境必须具备完善的沙盒机制、资源限制和监控能力。

这些基础设施的要求，增加了额外的运维开销和安全考量，而这些是直接工具调用模式所没有的。

因此，开发者需要权衡代码执行带来的巨大收益，包括token成本的降低、延迟的缩短和工具组合能力的提升，以及其实现背后所需的成本。

MCP为智能体连接海量的工具和系统，提供了一个坚实的基础协议。

但是，一旦连接的服务器过多，工具的定义和结果就会过度消耗token，降低智能体的效率。

尽管上下文管理、工具组合、状态持久化这些问题，在智能体领域感觉很新颖，但它们在传统的软件工程领域，早已有了成熟的解决方案。

代码执行，正是将这些经过时间检验的工程模式，应用于智能体之上，让它们能够使用熟悉的编程结构，更高效地与MCP服务器进行交互。

将智能体从一个单纯的工具使用者，转变为一个聪明的代码编写者，这或许是通往更强大、更通用智能体的一条必由之路。

参考资料：

https://www.anthropic.com/engineering/code-execution-with-mcp

END