以前要实现一个 Agent，需要手动完成一个个 API 的接入和调试，现在有了 MCP，接入外部能力的工作简单了许多。
但 MCP 多了之后，模型上下文中塞入了大量的工具定义，导致模型既慢，又浪费 Token。
直到看到了 Anthropic 的《Code execution with MCP: Building more efficient agents》，我才发现 MCP 的调用原来也是可以很高效的。
传统 MCP 的效率瓶颈
MCP 在规模化应用中有两个关键短板：
工具定义"占满"上下文
为了让智能体知道如何使用工具，MCP 方式会把所有工具的功能描述、参数要求等加载到模型的上下文中。
在大规模项目中，这些定义信息可能就会占用数十万 Token，不仅拖慢响应速度，还会大幅增加使用成本。
中间结果重复消耗资源
智能体完成复杂任务时，往往需要多次调用工具，并传递中间结果。
比如将云盘文档同步到业务系统，文档会在云盘 MCP 和业务系统 MCP 中多次传输，导致上下文超出限制，甚至任务中断。
解决方案：代码执行
代码执行的核心逻辑，是把 MCP 工具从 "直接调用的功能" 转变为 "可由代码调用的 API"。
智能体不再被动接收全部的工具定义，而是根据需要自动编写代码进行 MCP 调用，这一方案带来了多重提升：
渐进式披露，减轻上下文负担
将工具以代码形式呈现在文件系统上，能让模型按需读取工具定义，而非预先全部读取。
"渐进式披露"的工作流程如下：
1、预加载极简提示： 在 LLM 的上下文窗口中，我们只植入工具的名称、主要参数和功能的精炼代码签名（例如 tool.searchOrders(customer_id: str)）。这部分信息占用的 Token 非常少。
2、Schema 外部化： 所有工具冗长、复杂的 JSON Schema 和验证规则，被移出 LLM 上下文，存储在外部的 MCP Server 的"工具注册中心"。
3、代码触发查找： 当 LLM 生成代码 tool.searchOrders('U456') 并发送给 Server 执行时，Server 才会去其外部的工具注册中心查找 searchOrders 的完整定义，并用它来执行 API 调用。
本地处理数据，减少中间传输
面对大文件、海量数据任务时，智能体可以编写代码，在执行容器中先筛选、处理，最后只需把结果返回给模型，避免大量冗余数据消耗传输 Token。
这个思路竟然与我们上半年实现"问数"的思路类似。不过，我们当时还没有意识到这样节省 Token 传输，我们仅仅是因为 text2sql 不太可靠，采用了智能体调用各种"算子"（各种已有的数据处理类 API）。
简化复杂流程，降低操作成本
在一些复杂场景中，比如系统监控通知、批量处理数据场景中，代码执行模式还可以利用代码的循环、条件判断逻辑，简化实现，减少智能体的反复工具调用，大幅减少延迟及操作成本。
数据隐私保护
除了上述提升效率、降低成本的益处外，代码执行还有一个隐藏的好处。
由于中间结果默认保留在安全的执行环境中，原始数据无需进入模型的上下文，只有统计结果才会返回给智能体，这在很大程度上可以保护用户的数据隐私。
结语
尽管 Anthropic 在某些政策上存在争议，但其在 Agent 道路上的技术探索不得不说非常值得学习。
推荐大家多关注他们的技术博客，收益良多~