使用 MCP 进行代码执行：构建更高效的 AI Agent

Anthropic 提出了一种改变 AI Agent 与 Model Context Protocol (MCP) 交互方式的方法，即从直接的工具调用转向代码执行。通过将 MCP 服务器呈现为代码 API，Agent 可以仅加载必要的工具定义并在执行环境中处理数据，从而显著降低 Token 开销和延迟。

减少 MCP Agent 中的 Token 消耗

随着 AI Agent 扩展到在多个 MCP 服务器上使用数百或数千个工具，在 Token 使用方面出现了两个主要的低效问题：

1. 工具定义过载

标准的 MCP 客户端通常会预先将所有工具定义加载到模型的上下文窗口中。当 Agent 连接到数千个工具时，模型在开始处理用户请求之前必须先处理数十万个 Token，这增加了成本和响应时间。

2. 中间结果膨胀

在传统的工具调用循环中，每个中间结果都必须经过模型的上下文。例如，如果 Agent 从 Google Drive 下载一个大型会议记录并将其上传到 Salesforce，该记录的全文会在第一次调用时加载到上下文窗口中，然后在第二次调用时再次写回上下文。对于大型文档，这可能会消耗数万个 Token，并可能超出上下文窗口限制，导致工作流失败或数据复制错误。

使用 MCP 实现代码执行

Agent 可以通过编写代码与 MCP 服务器进行交互，而不是进行直接的工具调用。一种实现方式是生成一个文件系统树，其中每个 MCP 服务器及其关联的工具都表示为文件（例如， ./servers/google-drive/getDocument.ts）。

在这种架构中，Agent 通过探索文件系统来发现工具——通过列出目录来查找服务器，并通过读取特定文件来了解工具接口。这种“渐进式披露”方法允许 Agent 仅加载特定任务所需的定义。Anthropic 指出，这可以将 Token 使用量从 150,000 个 Token 减少到 2,000 个 Token，代表在时间和成本上实现了 98.7% 的节省。

代码执行方法的关键优势

上下文高效的数据处理

代码执行允许 Agent 在将结果返回给模型之前，在执行环境中对数据进行过滤、筛选、转换和聚合。例如，与其手动将一个包含 10,000 行的电子表格加载到上下文窗口中进行过滤，Agent 可以编写一个脚本来筛选“pending”订单，并仅记录前五行以供审查，从而大幅减少了处理的 Token 数量。

高级控制流

通过使用循环、条件语句和错误处理等标准编程结构，Agent 可以通过单个步骤执行复杂的逻辑。这比通过 Agent 循环链式调用单个工具更有效率。此外，在环境中执行条件树可以降低“首个 Token 生成时间”的延迟，因为模型不需要按顺序评估每一个 if 语句。

隐私与安全

默认情况下，中间结果保留在执行环境中，这意味着不需要被模型查看的敏感数据永远不会进入上下文窗口。此外，MCP 客户端可以配置为在数据到达模型之前自动对 PII (Personally Identifiable Information) 进行 Tokenize 处理，仅在数据传递给另一个 MCP 工具调用时才进行 Untokenize 处理。这确保了敏感数据从源头流向目的地，而模型从未处理过原始的PII。

状态持久化与可重用技能

通过将中间结果写入文件，文件系统访问使得 Agent 可以跨操作维护状态。Agent 还可以将自己成功的实现作为可重用的函数保存在“skills”文件夹中。当与 SKILL.md 文件配合使用时，这些函数就变成了模型可以为专门任务引用的结构化技能，允许 Agent 随着时间的推移不断进化其自身的高级能力工具箱。

运维考虑因素

虽然代码执行带来了显著的效率提升，但它也引入了基础设施的复杂性。运行 Agent 生成的代码需要一个具备沙箱机制、资源限制和监控功能的安全执行环境，以减轻安全风险。必须在降低 Token 成本和降低延迟的收益与这些运维开销之间进行权衡。