Anthropic代码执行配合 MCP：构建更高效的智能体[译]
直接调用工具会消耗上下文。智能体（Agent）若改为编写代码来调用工具，扩展性会更好。模型上下文协议（MCP）为此提供了实现路径。
模型上下文协议（MCP）是一个开放标准，用于连接 AI 智能体和外部系统。传统上，将智能体连接到工具和数据，每对组合都需要定制集成，这造成了碎片化和重复劳动，导致难以扩展真正互联的系统。MCP 提供了一种通用协议——开发者只需在智能体中实现一次 MCP，就能解锁整个集成生态系统。
自 2024 年 11 月 MCP 发布以来，它被迅速采用：社区已构建了数千个 MCP 服务器，主流编程语言均已支持 SDK，业界已将 MCP 采纳为连接智能体与工具和数据的事实标准。
如今，开发者们平常构建的智能体动辄就能访问跨越几十个 MCP 服务器的成百上千个工具。然而，随着连接的工具数量增长，预先加载所有工具定义并将中间结果传入上下文窗口，会拖慢智能体并增加成本。
本文将探讨代码执行如何让智能体更高效地与 MCP 服务器交互，用更少的 Token 处理更多的工具。
🪫 工具带来的额外 Token 消耗，降低了智能体效率
随着 MCP 用量规模扩大，有两种常见情况会增加智能体的成本和延迟：
- 工具定义撑爆上下文窗口；
- 中间的工具结果消耗额外 Token。
1. 工具定义撑爆上下文窗口
大多数 MCP 客户端会一开始就将所有工具定义直接加载到上下文中，使用直接的工具调用语法将其暴露给模型。这些工具定义可能如下所示：
从 Google Drive 检索文档
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.
更新 Salesforce 中的一条记录
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
工具描述占用了更多上下文窗口空间，增加了响应时间和成本。在智能体连接了数千个工具的情况下，它们在读取用户请求之前，就需要先处理几十万个 Token。
2. 中间的工具结果消耗额外 Token
大多数 MCP 客户端允许模型直接调用 MCP 工具。例如，你可能会要求智能体：“从 Google Drive 下载我的会议纪要，并将其附加到 Salesforce 的潜在客户(lead)记录中。”
模型将进行如下调用：
工具调用：gdrive.getDocument(documentId: “abc123”) → 返回 “讨论了Q4目标…\n[完整纪要文本]” (加载到模型上下文中)
工具调用：salesforce.updateRecord( objectType: “SalesMeeting”, recordId: “00Q5f000001abcXYZ”, data: { “Notes”: “讨论了Q4目标…\n[完整纪要文本又写了一遍]” } ) (模型需要把完整的纪要又在上下文里写一次)
每个中间结果都必须经过模型。在这个例子中，完整的通话纪要流经了上下文两次。对于一个 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。
当处理大型文档或复杂数据结构时，模型在工具调用之间复制数据时也更容易出错。
MCP 客户端将工具定义加载到模型的上下文窗口中，并协调一个消息循环，其中每个工具调用和结果都在操作之间通过模型传递。
⚡️ 用代码执行配合 MCP，提升上下文效率
随着代码执行环境在智能体中日益普及，一个解决办法是将 MCP 服务器呈现为代码 API，而不是直接的工具调用。这样，智能体就能自己编写代码来与 MCP 服务器交互。这种方法解决了上述两个挑战：智能体可以只加载它们需要的工具，并在执行环境中处理数据，然后再将结果传回模型。
实现方式有多种。一种方法是根据连接的 MCP 服务器生成一个包含所有可用工具的文件树。以下是使用 TypeScript 的一个实现示例：
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，大致如下：
// ./servers/google-drive/getDocument.ts
import { callMCPTool } from "../../../client.js";
interface GetDocumentInput {
documentId: string;
}
interface GetDocumentResponse {
content: string;
}
/* 从 Google Drive 读取文档 */
export async function getDocument(input: GetDocumentInput): Promise<GetDocumentResponse> {
return callMCPTool<GetDocumentResponse>('google_drive__get_document', input);
}
上面那个从 Google Drive 到 Salesforce 的例子，就变成这样的代码：
// 从 Google Docs 读取纪要并添加到 Salesforce 的潜在客户记录中
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 }
});
智能体通过浏览文件系统来发现工具：列出 ./servers/ 目录找到可用的服务器（如 google-drive 和 salesforce），然后读取它需要的特定工具文件（如 getDocument.ts 和 updateRecord.ts）来理解每个工具的接口。
这让智能体只加载当前任务所需的定义。Token 用量从 150,000 个降至 2,000 个——节省了 98.7% 的时间和成本。
Cloudflare 也发布了类似的发现，他们将 MCP 的代码执行称为“代码模式”(Code Mode)。核心见解是相同的：LLM 擅长编写代码，开发者应利用这一优势来构建能更高效地与 MCP 服务器交互的智能体。
💡 代码执行配合 MCP 的好处
代码执行使智能体能更有效地利用上下文，它可以按需加载工具、在数据到达模型前进行过滤，并能一步执行复杂逻辑。此外，这种方法在安全性和状态管理方面也有优势。
按需加载 (Progressive disclosure)
模型很擅长浏览文件系统。将工具呈现为文件系统中的代码，允许模型按需读取工具定义，而不是一上来就全部读取。
或者，也可以在服务器上添加一个 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”，并只加载当前任务所需的那些工具。如果在 search_tools 工具中包含一个详细级别参数，允许智能体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），这也有助于智能体节省上下文并高效地找到工具。
高上下文效率的工具结果
在处理大型数据集时，智能体可以在代码中过滤和转换结果，然后再将其返回。设想一下获取一个有 10,000 行的电子表格：
// 不用代码执行 - 所有行都流经上下文
TOOL CALL: gdrive.getSheet(sheetId: 'abc123')
→ returns 10,000 rows in context to filter manually
// 使用代码执行 - 在执行环境里过滤
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)); // 只打印前5个供审查
智能体最终只看到了 5 行，而不是 10,000 行。类似的模式（如聚合、跨多个数据源的连接或提取特定字段）都适用——全都不需要撑爆上下文窗口。
更强大、更省上下文的控制流
循环、条件判断和错误处理，都可以用熟悉的代码模式来完成，而不是一连串的单个工具调用。例如，如果你需要在 Slack 中等待一个部署通知，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');
这种方法比在智能体循环中反复调用 MCP 工具和睡眠命令要高效得多。
此外，能够写出一个可被执行的条件树，也节省了“首个 Token 响应时间”的延迟：智能体不必等待模型来评估一个 if 语句，而是让代码执行环境来做这件事。
保护隐私的操作
当智能体使用代码执行配合 MCP 时，中间结果默认保留在执行环境中。这样，智能体只看得到你明确打印或返回的内容，这意味着你不想与模型共享的数据可以在工作流中流转，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“外壳”（harness）可以自动对敏感数据进行“脱敏”（tokenize）。例如，假设你需要将客户联系方式从电子表格导入 Salesforce。智能体编写如下代码：
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 ${sheet.rows.length} leads`);
MCP 客户端在数据到达模型前拦截并对 PII（个人身份信息）进行脱敏：
// 智能体如果打印 sheet.rows，会看到这个：
[
{ salesforceId: '00Q...', email: '[EMAIL_1]', phone: '[PHONE_1]', name: '[NAME_1]' },
{ salesforceId: '00Q...', email: '[EMAIL_2]', phone: '[PHONE_2]', name: '[NAME_2]' },
...
]
然后，当数据在另一次 MCP 工具调用中共享时，MCP 客户端会通过查找将其“反脱敏”（untokenized）。真实的电子邮件地址、电话号码和姓名从 Google Sheets 流向 Salesforce，但绝不会经过模型。这可以防止智能体意外记录或处理敏感数据。你还可以使用它来定义确定性的安全规则，选择数据可以流向何处。
状态持久化与技能
具有文件系统访问权限的代码执行，允许智能体跨操作维护状态。智能体可以将中间结果写入文件，使其能够恢复工作并跟踪进度：
const leads = await salesforce.query({
query: 'SELECT Id, Email FROM Lead LIMIT 1000'
});
const csvData = leads.map(l => `${l.Id},${l.Email}`).join('\n');
await fs.writeFile('./workspace/leads.csv', csvData);
// 稍后的执行可以从上次中断的地方继续
const saved = await fs.readFile('./workspace/leads.csv', 'utf-8');
智能体还可以将自己的代码保存为可复用的函数。一旦智能体为某个任务开发了可用的代码，它可以将该实现保存起来以备将来使用：
// 存于 ./skills/save-sheet-as-csv.ts
import * as gdrive from './servers/google-drive';
export async function saveSheetAsCsv(sheetId: string) {
const data = await gdrive.getSheet({ sheetId });
const csv = data.map(row => row.join(',')).join('\n');
await fs.writeFile(`./workspace/sheet-${sheetId}.csv`, csv);
return `./workspace/sheet-${sheetId}.csv`;
}
// 之后，在任何智能体执行中：
import { saveSheetAsCsv } from './skills/save-sheet-as-csv';
const csvPath = await saveSheetAsCsv('abc123');
这与“技能”（Skills）的概念紧密相关——“技能”是包含可复用指令、脚本和资源的文件夹，供模型用于提高特定任务的性能。在这些保存的函数中添加一个 SKILL.md 文件，可以创建一个模型可以引用和使用的结构化技能。随着时间的推移，这使你的智能体能建立起一个更高级别的能力工具箱，不断进化出它高效工作所需的“脚手架”。
请注意，代码执行本身也带来了复杂性。运行智能体生成的代码需要一个安全的执行环境，具备适当的**“沙盒”（sandboxing）**、资源限制和监控。这些基础设施要求增加了额外的运维开销和安全考量，而这些是直接工具调用所没有的。在权衡时，应充分考虑代码执行的好处（减少 Token 成本、降低延迟、改进工具组合）与这些实现成本。
总结
MCP 为智能体连接众多工具和系统提供了基础协议。然而，一旦连接的服务器过多，工具定义和结果就可能消耗过多的 Token，从而降低智能体效率。
尽管这里提到的许多问题（上下文管理、工具组合、状态持久化）感觉很新，但它们在软件工程中都有已知的解决方案。代码执行将这些成熟的模式应用于智能体，让它们使用熟悉的编程结构更高效地与 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。