Anthropic创新突破：AI Agent效率激增98.7%，揭秘背后的关键技术！

文章中提出的优化思路非常巧妙——通过让 AI Agent 编写代码与工具交互，而非传统的直接调用方式，竟然能将 Token 使用量降低 98.7%。这种「回归软件工程基本原理」的设计哲学，让我意识到在 AI Agent 快速发展的今天，我们或许过于关注模型能力的提升，而忽视了架构层面的优化空间。

拥抱AGI

427人浏览 · 2025-11-15 09:30:00

拥抱AGI · 2025-11-15 09:30:00 发布

今天路上在浏览 Anthropic 的工程博客时，看到了一篇关于代码执行与 MCP 协议[1]结合的技术文章，读完之后感触颇深。

因此，我将这篇文章的核心思想进行了深入解读和扩展，整理成这篇技术分析文章，作为目前在这方向探索的燃料。

一、AI Agent 正在遭遇「效率瓶颈」

当你让 AI Agent 连接数千个工具时，会发生什么？

答案可能出乎意料：在真正处理你的需求之前，Agent 可能已经消耗了数十万个 Token，仅仅用于加载工具定义。这就像一个工人在开工前，需要先阅读数千页工具说明书——效率低下且成本高昂。

根据 2025 年最新数据，全球 AI Agent 市场规模已突破 320 亿美元，IDC 预测该市场将保持高速增长。然而，随着 Agent 能力的提升，一个严峻的技术挑战正在浮现：上下文窗口的 Token 开销正在成为制约 AI Agent 大规模应用的核心瓶颈。

Anthropic 工程团队在最新发布的技术博客中，揭示了这个问题的严重性，并提出了一套革命性的解决方案。

二、传统 MCP 架构的「两大效率陷阱」

陷阱 1：工具定义的 Token 黑洞

Model Context Protocol（MCP）作为 2024 年 11 月由 Anthropic 推出的开放标准，正在成为连接 AI Agent 与外部工具的核心基础设施。OpenAI、Google DeepMind、阿里云、腾讯云等国内外大厂在 2025 年已全面采纳 MCP 协议。

但传统 MCP 实现存在一个致命问题：所有工具定义必须预先加载到模型的上下文窗口中。

这意味着什么？当 Agent 连接到数千个工具时，可能需要处理数十万个 Token 的工具描述，然后才能开始阅读用户的实际请求。就像在餐厅点餐前，服务员非要你先读完整本菜单的详细说明——包括那些你根本不需要的菜品。

陷阱 2：中间结果的重复传输

更严重的问题在于，每次工具调用的结果都必须完整地流经模型的上下文窗口。

举个实际案例：假设你让 Agent 从 Google Drive 获取一份 2 小时会议的文字记录，然后将其附加到 Salesforce 的客户记录中。传统方式下，这份可能超过 50,000 个 Token 的会议记录，需要在上下文中流转两次——一次是读取，一次是写入。

Anthropic 团队指出，这种「中间结果膨胀」问题在复杂任务中尤为突出。研究显示，单次任务平均可能触发 50 次工具调用，如果所有结果都存入上下文，窗口会被迅速填满。

三、代码执行：重新定义 Agent 与工具的交互方式

Anthropic 提出的解决方案核心在于一个简单但强大的理念：让 Agent 通过编写代码与 MCP 服务器交互，而不是直接调用工具。

文件系统：渐进式发现工具的关键

开发者可以使用工具构建文件系统层次结构：

servers/
├── google-drive/
│   ├── getDocument.ts
│   └── index.ts
├── salesforce/
│   ├── updateRecord.ts
│   └── index.ts

Agent 可以像探索代码库一样浏览文件系统，只加载真正需要的工具定义。

这种方法带来的效果令人震撼：Token 使用量从 150,000 降至 2,000——节省 98.7%！

五大核心优势深度解析

1. 渐进式披露：按需加载工具

传统方式就像强制参会者记住所有人的名字，而新方式允许你在需要时再查找通讯录。模型能够高效导航文件系统，按需加载工具定义，大幅降低初始 Token 开销。

2. 上下文高效过滤：数据在执行环境中处理

这是最具革命性的特性之一。Agent 可以在执行环境中对数据进行过滤、转换和处理，只将最终结果返回给模型。

实际案例：处理一个 10,000 行的电子表格时，Agent 可以在沙盒环境中筛选出「待处理订单」，然后只返回筛选后的 100 行数据，而不是让整个表格占用上下文窗口。

根据研究数据，采用优化后的方法，可以将 Token 使用量降低 75% 以上——从 10,590 降至 2,336 个 Token。

3. 控制流：循环和条件的本地执行

在传统架构中，一个包含循环的任务需要多次往返模型：

• 第一次调用：执行第一次迭代
• 第二次调用：执行第二次迭代
• ……依此类推

而在代码执行环中，整个循环作为代码运行，无需每次迭代都与模型交互。这不仅降低了 Token 成本，还显著改善了延迟表现。

4. 隐私保护：敏感数据不进入模型上下文

这是企业级应用的关键需求。中间结果默认保留在执行环境中，敏感数据（如 PII 个人身份信息）可以自动进行 Token 化处理，在系统间流转而无需进入模型的上下文窗口。

安全研究显示，AI Agent 沙盒环境需要强隔离机制来避免越权与数据外泄。Anthropic 的方案通过将数据处理转移到沙盒环境，有效降低了数据泄露风险。

5. 状态持久化：任务断点续传与技能积累

Agent 可以将中间结果写入文件，实现工作的恢复和进度跟踪。更重要的是，Agent 还可以将可复用的代码保存为「技能」（skills），供未来任务使用。

这种机制类似于人类的学习过程——一次编写，多次复用，让 Agent 真正具备了「经验积累」的能力。

四、技术实现的关键考量

尽管代码执行方案带来了显著的效率提升，但 Anthropic 团队也坦承，这种方法并非没有成本。

安全沙箱：核心基础设施要求

代码执行需要安全的沙箱环境。主流方案包括：

• E2B：开源基础设施，提供快速启动（~150 毫秒）的 microVM，底层基于 AWS Firecracker 技术
• AIO Sandbox：国内首个兼容 E2B 接口的 Agent 沙箱，提供一体化、可定制的隔离环境
• 基于 Docker 的容器化架构：确保代码在安全隔离环境中运行

沙箱环境需要实现：

• 资源限制：CPU、内存、网络带宽的配额管理
• 动态熔断：对高危操作（进程注入、内存篡改）实施实时拦截
• 监控体系：跟踪上下文窗口 Token 占比、工具调用频次等关键指标

运维复杂度的权衡

相比直接工具调用，代码执行方案增加了运维复杂度：

• 沙箱环境的部署和维护
• 资源配额的动态调整
• 安全审计和日志分析

企业需要在效率收益与实施成本之间做出权衡。Anthropic 建议，对于需要处理大量工具或涉及敏感数据的应用场景，代码执行方案的长期收益将远超初期投入。

五、从「协议兼容」到「标准化时代」

Anthropic 的这项技术突破，标志着 AI Agent 发展正在进入新阶段。

MCP 生态的爆发式增长

2025 年第一季度，全球 MCP 相关投融资额同比增长 470%。阿里云百炼平台已集成 50 多款 MCP 服务，腾讯云大模型知识引擎也完成了 MCP 接入。

E2B 沙箱的月创建量在一年内从 4 万增长到 1500 万，增长 375 倍，充分印证了市场对高效 Agent 基础设施的迫切需求。

从助手到执行者的跨越

2025 年正在成为「AI Agent 执行元年」。模型不再局限于问答和内容生成，而是可以跨多个工具进行实时推理、行动和协助，真正承担起「执行者」的角色。

代码执行 + MCP 的组合，为这一跨越提供了技术支撑：

• 98.7% 的 Token 节省意味着 Agent 可以处理更复杂的任务
• 75% 以上的成本降低让大规模商业化应用成为可能
• 隐私保护机制满足了企业级部署的合规要求

软件工程经典模式的回归

Anthropic 团队特别强调，他们并非创造了全新的技术范式，而是将成熟的软件工程模式——代码执行、文件系统组织、数据过滤——应用到 AI Agent 领域。

这种「回归经典」的思路，恰恰体现了技术演进的智慧：真正的创新，往往来自于对基本原理的深刻理解和灵活应用。

六、对开发者的启示

Anthropic 的方案为 AI Agent 开发者提供了清晰的技术路线图：

1. 重新审视工具架构：不要简单地将所有工具暴露给模型，考虑通过文件系统进行组织
1. 拥抱代码执行：对于复杂数据处理任务，让 Agent 编写代码比链式调用工具更高效
1. 建立沙箱基础设施：尽早投资安全隔离环境，这是生产级 Agent 的必备条件
1. 监控 Token 使用：将上下文窗口视为稀缺资源，建立完善的监控和优化机制
1. 渐进式优化策略：从最耗费 Token 的场景入手，逐步应用代码执行方案

正如 Anthropic 所说：MCP 提供了连接 Agent 与工具的协议，但要实现大规模落地，必须解决 Token 效率问题。代码执行方案，正是这个问题的最优解之一。

七、如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述