Skip to content

使用 MCP 代码执行构建更高效的 Agent ​

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

发布日期: 2025 年 11 月 4 日
作者: Adam Jones、Conor Kelly 撰写。感谢 Jeremy Fox、Jerome Swannack、Stuart Ritchie、Molly Vorwerck、Matt Samuels 和 Maggie Vo 提供反馈。


引言 ​

Model Context Protocol(MCP)是一项将 AI Agent 连接到外部系统的开放标准。自 2024 年 11 月发布以来,社区已开发数千个 MCP server,主流编程语言均有 SDK,MCP 也逐渐成为 Agent 连接工具的通用标准。

但当开发者为 Agent 接入数百乃至数千个工具时,一开始加载所有工具定义、并让中间结果穿过 Context Window,会显著增加成本并拖慢 Agent。

工具带来的过量 Token 消耗 ​

随着 MCP 接入规模扩大,以下两种模式最容易增加成本和延迟。

1. 工具定义挤占 Context Window ​

多数 MCP client 会把所有工具定义直接放入 Context。工具描述会占用 Context Window,拉长响应时间并提高成本。连接数千个工具时,Agent 甚至需要先处理几十万 tokens,才能开始理解用户请求。

2. 工具中间结果重复进入 Context ​

模型直接调用 MCP 工具时,每一步中间结果都会经过模型。例如,将会议纪要从 Google Drive 转入 Salesforce,完整文本需要两次流经 Context。一场两小时的销售会议可能因此额外消耗 50,000 tokens。更大的文档甚至会完全超过 Context Window,模型在搬运大段数据时也更容易复制出错。

也就是说,MCP client 既把工具定义装入模型的 Context Window,也在消息循环中让每次工具调用及其结果都在操作间经过模型。

MCP 代码执行如何提升上下文效率 ​

一种解决办法是:把 MCP server 作为 code API 暴露给 Agent,而不是把它们逐个呈现为直接工具调用。Agent 编写代码与 MCP server 交互,只按需读取工具定义,并在执行环境中处理数据,最后再把需要的结果交回模型。

一种实现会为已连接 MCP server 的全部工具生成文件树,示例使用 TypeScript:每个工具对应一个带类型接口的文件。Agent 像浏览项目目录一样发现能力,先列出目录找到 server,再读取具体工具文件理解接口。

Cloudflare 也发表过相似结论,并称之为 Code Mode。核心观点是:LLM 擅长写代码,开发者应利用这项优势。

文中给出的结果是,Token 用量可从 150,000 降到 2,000,时间和成本节约 98.7%。

MCP 代码执行的收益 ​

渐进式披露 ​

模型本就擅长在文件系统中定位信息。将工具定义组织为文件,模型即可按需读取。还可提供 search_tools,并通过参数控制返回粒度,例如仅返回名称、返回名称和描述,或返回完整 Schema。

更节省 Context 的工具结果 ​

面对大数据集,Agent 可以先在代码中筛选、转换结果,再返回模型。例如读取一份 10,000 行的表格后,在执行环境内过滤,Agent 最终只需看到 5 行,而不是全部 10,000 行。聚合、跨数据源 join 和字段提取也同样适合这种模式。

更强且更省 Context 的控制流 ​

循环、条件判断和错误处理可以采用成熟的编程方式,而不必串联一次次独立工具调用。它也能减少 time to first token:条件分支由代码执行环境判断,无须再让模型进行额外推理。

保护隐私的操作 ​

中间数据默认留在执行环境中;Agent 只能看到被显式打印或返回的内容。对于敏感负载,MCP client 可以自动 tokenization 敏感字段,例如电子邮件、电话号码和姓名等 PII。真实数据仍可在系统间流转,却不会进入模型。数据允许流向何处,也可以由确定性的安全规则控制。

状态持久化与 Skills ​

如果代码执行环境能访问文件系统,Agent 就可跨操作保留状态:将中间结果写入文件,支持后续恢复与进度追踪。它还可以把代码保存为可复用函数,供未来任务调用。增加 SKILL.md 后,模型可引用结构化技能,逐步形成更高层能力的工具箱。

注意事项 ​

运行 Agent 生成的代码,前提是拥有安全的执行环境,包括恰当的 sandbox、资源限制和监控。这些基础设施会增加运维复杂度,因此应结合实际收益评估实施成本。

总结 ​

MCP 为 Agent 连接工具与业务系统提供了基础协议。接入的 server 太多时,工具定义和中间结果都会吞噬大量 tokens。问题看似新颖,但软件工程中早已有对应办法。代码执行把成熟的软件工程模式应用到 Agent,使 MCP 交互能够利用熟悉的编程结构,变得更高效。

Anthropic 也邀请实现者在 modelcontextprotocol.io 与 MCP 社区交流实践结果。

AI 落地咨询
艾维禾砺数字科技

企业 AI 落地全链路服务

Agent 开发工作流搭建Claude Code 集成
微信咨询
d187l8801b6124
访问官网 ivheli.com