Anthropic 工程博客：用代码执行调用 MCP 构建更高效的智能体

模型上下文协议（MCP）是一个开放标准，用于将 AI 代理连接到外部系统。传统上，将代理连接到工具和数据需要为每一对组合进行自定义集成，这造成了碎片化和重复工作，使得真正互联的系统难以扩展。MCP 提供了一个通用协议——开发者只需在代理中实现一次 MCP，就能解锁整个集成生态系统。

自 2024 年 11 月推出 MCP 以来，采用速度非常快：社区已经构建了数千个 MCP 服务器，SDK 已支持所有主流编程语言，业界已将 MCP 采纳为连接代理与工具和数据的事实标准。

如今，开发者经常构建能够访问数十个 MCP 服务器中数百或数千个工具的代理。然而，随着连接工具数量的增长，预先加载所有工具定义并通过上下文窗口传递中间结果会拖慢代理速度并增加成本。

在这篇博客中，我们将探讨代码执行如何使代理更高效地与 MCP 服务器交互，处理更多工具的同时使用更少的 token。

工具消耗过多 token 会降低代理效率

随着 MCP 使用规模的扩大，有两种常见模式会增加代理成本和延迟：

1. 工具定义使上下文窗口过载；
2. 中间工具结果消耗额外 token。

1. 工具定义使上下文窗口过载

大多数 MCP 客户端会预先将所有工具定义直接加载到上下文中，使用直接工具调用语法将它们暴露给模型。这些工具定义可能看起来像：

gdrive.getDocument
     Description: Retrieves a document from Google Drive
     Parameters:
                documentId (required, string): The ID of the document to retrieve
                fields (optional, string): Specific fields to return
     Returns: Document object with title, body content, metadata, permissions, etc.

salesforce.updateRecord
    Description: Updates a record in Salesforce
    Parameters:
               objectType (required, string): Type of Salesforce object (Lead, Contact,      Account, etc.)
               recordId (required, string): The ID of the record to update
               data (required, object): Fields to update with their new values
     Returns: Updated record object with confirmation

工具描述占用更多上下文窗口空间，增加响应时间和成本。当代理连接到数千个工具时，它们需要在读取请求之前处理数十万个 token。

2. 中间工具结果消耗额外 token

大多数 MCP 客户端允许模型直接调用 MCP 工具。例如，你可能会问你的代理：“从 Google Drive 下载我的会议记录，并将其附加到 Salesforce 潜在客户。”

模型会进行如下调用：

TOOL CALL: gdrive.getDocument(documentId: "abc123")
        → returns "Discussed Q4 goals...\n[full transcript text]"
           (loaded into model context)

TOOL CALL: salesforce.updateRecord(
			objectType: "SalesMeeting",
			recordId: "00Q5f000001abcXYZ",
  			data: { "Notes": "Discussed Q4 goals...\n[full transcript text written out]" }
		)
		(model needs to write entire transcript into context again)

每个中间结果都必须通过模型。在此示例中，完整的调用记录会流经两次。对于一场 2 小时的销售会议，这可能意味着额外处理 50,000 个 token。更大的文档甚至可能超出上下文窗口限制，导致工作流中断。

对于大型文档或复杂数据结构，模型在工具调用之间复制数据时可能更容易出错。

使用代码执行提高 MCP 的上下文效率

随着代码执行环境对代理变得越来越普遍，一种解决方案是将 MCP 服务器呈现为代码 API，而不是直接工具调用。然后，代理可以编写代码与 MCP 服务器交互。这种方法解决了两个挑战：代理可以只加载它们需要的工具，并在将结果传回模型之前在执行环境中处理数据。

有多种方法可以做到这一点。一种方法是从连接的 MCP 服务器生成所有可用工具的文件树。以下是使用 TypeScript 的实现：

servers
├── google-drive
│   ├── getDocument.ts
│   ├── ... (other tools)
│   └── index.ts
├── salesforce
│   ├── updateRecord.ts
│   ├── ... (other tools)
│   └── index.ts
└── ... (other servers)

然后每个工具对应一个文件，类似这样：

// ./servers/google-drive/getDocument.ts
import { callMCPTool } from "../../../client.js";

interface GetDocumentInput {
  documentId: string;
}

interface GetDocumentResponse {
  content: string;
}

/* Read a document from Google Drive */
export async function getDocument(input: GetDocumentInput): Promise<GetDocumentResponse> {
  return callMCPTool<GetDocumentResponse>('google_drive__get_document', input);
}

我们上面那个 Google Drive 到 Salesforce 的示例就变成了这样的代码：

// Read transcript from Google Docs and add to Salesforce prospect
import * as gdrive from './servers/google-drive';
import * as salesforce from './servers/salesforce';

const transcript = (await gdrive.getDocument({ documentId: 'abc123' })).content;
await salesforce.updateRecord({
  objectType: 'SalesMeeting',
  recordId: '00Q5f000001abcXYZ',
  data: { Notes: transcript }
});

智能体通过探索文件系统来发现工具：列出 ./servers/ 目录以找到可用的服务器（如 google-drive 和 salesforce），然后读取它所需的具体工具文件（如 getDocument.ts 和 updateRecord.ts）来了解每个工具的接口。这让智能体只加载当前任务所需的定义。这将 token 用量从 150,000 个减少到 2,000 个——节省了 98.7% 的时间和成本。

Cloudflare 发表了类似的发现，将 MCP 的代码执行称为“Code Mode”。核心洞见是相同的：LLM 擅长编写代码，开发者应利用这一优势来构建更高效地与 MCP 服务器交互的智能体。

MCP 代码执行的优势

MCP 代码执行让智能体能够按需加载工具、在数据到达模型之前进行过滤，并在单一步骤中执行复杂逻辑，从而更高效地利用上下文。使用这种方法还有安全和状态管理方面的好处。

渐进式披露

模型非常擅长浏览文件系统。将工具以代码形式呈现在文件系统上，可以让模型按需读取工具定义，而不是预先全部读取。

或者，可以在服务器中添加一个 search_tools 工具来查找相关定义。例如，在使用上面假设的 Salesforce 服务器时，智能体搜索“salesforce”，只加载当前任务所需的那些工具。在 search_tools 工具中加入一个详细程度参数，让智能体可以选择所需的详细程度（例如仅名称、名称和描述，或包含 schema 的完整定义），也有助于智能体节省上下文并高效地查找工具。

上下文高效的工具结果

在处理大型数据集时，智能体可以在返回结果之前在代码中过滤和转换结果。设想获取一个 10,000 行的电子表格：

// Without code execution - all rows flow through context
TOOL CALL: gdrive.getSheet(sheetId: 'abc123')
        → returns 10,000 rows in context to filter manually

// With code execution - filter in the execution environment
const allRows = await gdrive.getSheet({ sheetId: 'abc123' });
const pendingOrders = allRows.filter(row => 
  row["Status"] === 'pending'
);
console.log(`Found ${pendingOrders.length} pending orders`);
console.log(pendingOrders.slice(0, 5)); // Only log first 5 for review

智能体看到的是五行而不是 10,000 行。类似的模式也适用于聚合、跨多个数据源的连接，或提取特定字段——所有这些都不会撑爆上下文窗口。

更强大且上下文高效的控制流

循环、条件判断和错误处理可以用熟悉的代码模式来完成，而不是串联单个工具调用。例如，如果你需要在 Slack 中收到部署通知，智能体可以这样写：

let found = false;
while (!found) {
  const messages = await slack.getChannelHistory({ channel: 'C123456' });
  found = messages.some(m => m.text.includes('deployment complete'));
  if (!found) await new Promise(r => setTimeout(r, 5000));
}
console.log('Deployment notification received');

这种方法比通过智能体循环在 MCP 工具调用和 sleep 命令之间交替更高效。

此外，能够写出一个被执行的条件树也节省了“首 token 时间”延迟：智能体不必等待模型来评估一个 if 语句，而是可以让代码执行环境来完成这件事。

保护隐私的操作

当智能体使用 MCP 代码执行时，中间结果默认保留在执行环境中。这样，智能体只能看到你显式记录或返回的内容，这意味着你不希望与模型共享的数据可以在你的工作流中流转，而永远不会进入模型的上下文。

对于更敏感的工作负载，智能体框架可以自动对敏感数据进行令牌化。例如，假设你需要将电子表格中的客户联系详情导入 Salesforce。智能体这样写：

const sheet = await gdrive.getSheet({ sheetId: 'abc123' });
for (const row of sheet.rows) {
  await salesforce.updateRecord({
    objectType: 'Lead',
    recordId: row.salesforceId,
    data: { 
      Email: row.email,
      Phone: row.phone,
      Name: row.name
    }
  });
}
console.log(`Updated ${sheet.rows.length} leads`);

MCP 客户端会拦截数据，并在其到达模型之前对 PII 进行令牌化：

// What the agent would see, if it logged the sheet.rows:
[
  { salesforceId: '00Q...', email: '[EMAIL_1]', phone: '[PHONE_1]', name: '[NAME_1]' },
  { salesforceId: '00Q...', email: '[EMAIL_2]', phone: '[PHONE_2]', name: '[NAME_2]' },
  ...
]

然后，当数据在另一个 MCP 工具调用中被共享时，它会通过 MCP 客户端中的查找进行去令牌化。真实的电子邮件地址、电话号码和姓名从 Google Sheets 流向 Salesforce，但从不经过模型。这可以防止代理意外记录或处理敏感数据。你还可以使用它来定义确定性的安全规则，选择数据可以流向何处以及从何处流出。

状态持久化与技能

具有文件系统访问权限的代码执行允许代理在操作之间保持状态。代理可以将中间结果写入文件，使其能够恢复工作并跟踪进度：

const leads = await salesforce.query({ 
  query: 'SELECT Id, Email FROM Lead LIMIT 1000' 
});
const csvData = leads.map(l => `${l.Id},${l.Email}`).join('\n');
await fs.writeFile('./workspace/leads.csv', csvData);

// Later execution picks up where it left off
const saved = await fs.readFile('./workspace/leads.csv', 'utf-8');

代理还可以将自己的代码持久化为可复用的函数。一旦代理为某项任务开发出可用的代码，它就可以保存该实现以供将来使用：

// In ./skills/save-sheet-as-csv.ts
import * as gdrive from './servers/google-drive';
export async function saveSheetAsCsv(sheetId: string) {
  const data = await gdrive.getSheet({ sheetId });
  const csv = data.map(row => row.join(',')).join('\n');
  await fs.writeFile(`./workspace/sheet-${sheetId}.csv`, csv);
  return `./workspace/sheet-${sheetId}.csv`;
}

// Later, in any agent execution:
import { saveSheetAsCsv } from './skills/save-sheet-as-csv';
const csvPath = await saveSheetAsCsv('abc123');

这与 Skills 的概念密切相关，即用于模型在专门任务上提升性能的可复用指令、脚本和资源文件夹。向这些保存的函数中添加一个 SKILL.md 文件，就创建了一个结构化的技能，模型可以引用和使用。随着时间的推移，这使你的代理能够构建一个更高层能力的工具箱，不断演进其高效工作所需的脚手架。

请注意，代码执行会带来其自身的复杂性。运行代理生成的代码需要一个安全的执行环境，并配备适当的 沙箱、资源限制和监控。这些基础设施要求增加了运维开销和安全考量，而直接工具调用则避免了这些问题。代码执行的好处——降低令牌成本、降低延迟、改进工具组合——应与这些实现成本进行权衡。

总结

MCP 为代理连接众多工具和系统提供了一个基础协议。然而，一旦连接了太多服务器，工具定义和结果可能会消耗过多的令牌，从而降低代理效率。

尽管这里的许多问题感觉新颖——上下文管理、工具组合、状态持久化——但它们在软件工程中已有已知的解决方案。代码执行将这些成熟的模式应用于代理，让它们使用熟悉的编程构造来更高效地与 MCP 服务器交互。如果你实现了这种方法，我们鼓励你与 MCP 社区 分享你的发现。

致谢

本文由 Adam Jones 和 Conor Kelly 撰写。感谢 Jeremy Fox、Jerome Swannack、Stuart Ritchie、Molly Vorwerck、Matt Samuels 和 Maggie Vo 对本文草稿的反馈。