使用 MCP 执行代码：提升智能体效率的 Anthropic 方案

摘要

Anthropic 证明，智能体可以通过代码执行与 MCP 服务器交互，而非直接调用工具，从而将令牌消耗减少高达 98.7%，同时降低延迟并保护隐私和状态。

为什么 MCP 需要新的交互模式

MCP（模型上下文协议）是一种开放标准，允许 AI 智能体通过通用 API 调用外部工具。自 2024 年 11 月推出以来，已创建了数千个 MCP 服务器和主流语言的 SDK，使 MCP 成为连接智能体与工具和数据的事实标准。

然而，当智能体连接到数百个服务器时，会出现两种消耗令牌的模式：

  1. 工具定义充斥上下文窗口。 预先加载每个工具描述可能需要数十万个令牌，而模型甚至还未看到用户请求。
  2. 中间结果经过模型传输。 每次工具调用的原始输出都会发送回 LLM，每一步都会重复，对于大型文档可能增加数万个令牌。

这两种模式都会增加推理成本和延迟，并且可能超出模型的上下文限制。

代码执行作为令牌高效的桥梁

智能体可以将 MCP 服务器视为代码 API，而不是直接将工具定义提供给 LLM。智能体编写代码，导入所需的工具模块，调用它们，并在沙盒执行环境中处理结果。这种方法解决了上述两个问题：

  • 按需加载：智能体只读取代表所需工具的文件，将上下文从约 150k 令牌缩减到约 2k 令牌（减少 98.7%）。
  • 本地结果处理：数据在代码中被过滤、聚合或转换，然后任何令牌才被发送回模型，防止大型负载进入上下文窗口。

一个 TypeScript 示例展示了智能体生成可用工具的虚拟文件树，然后仅在需要时导入 getDocument.ts 和 updateRecord.ts。同样的模式适用于 MCP SDK 支持的任何语言。

使用 MCP 执行代码的核心优势

渐进式披露

智能体可以探索文件系统（或 search_tools 端点）以仅发现相关的工具定义。添加详细级别参数（仅名称、名称 + 描述、完整模式）进一步减少上下文使用。

上下文高效的工具结果

大型数据集可以在到达模型之前被修剪。例如，获取一个 10,000 行的电子表格并仅返回五行，可大幅减少令牌负载。同样的技术适用于连接、聚合和字段提取。

强大的控制流

循环、条件语句和错误处理以原生代码表达，而不是一系列单独的工具调用。这消除了来回的“调用 → 等待 → 调用”模式，减少了首令牌时间延迟。

保护隐私的操作

中间数据保留在执行沙盒内。敏感字段可以在任何模型暴露之前进行令牌化，确保 PII 永远不会出现在 LLM 的上下文中。MCP 客户端可以在将数据传递给下游工具时自动取消令牌化。

状态持久化和可复用技能

智能体可以将中间结果写入文件，从而实现可恢复的工作流。生成的代码可以保存为可复用函数，并与 SKILL.md 清单打包，形成技能——模型可以调用以执行专门任务的脚本和指令文件夹。

权衡和操作考虑

运行智能体生成的代码需要安全的沙盒，具备资源限制、监控和适当的隔离（参见 Anthropic 的代码沙盒文档）。这些基础设施成本必须与令牌节省、延迟收益和更丰富的组合能力进行权衡。

实用要点

  • 当智能体需要与许多 MCP 工具交互或处理大型数据负载时，采用代码执行。
  • 使用渐进式披露（文件系统导航或 search_tools）来保持上下文大小最小。
  • 利用沙盒执行来强制隐私并在步骤之间维护状态。
  • 将常用代码打包为技能，以加速未来的智能体开发。

社区邀请

Anthropic 鼓励开发者尝试这种模式，并与 MCP 社区分享结果（链接）。

Sources