Anthropic 实践基于 MCP 的代码执行模式，大幅提升 AI Agent 效率

anthropic 近日分享了其在 model context protocol（mcp） 方面的最新实践——采用“代码执行（code execution）”机制，使 ai agent 能更高效地调用外部工具与数据服务。

随着 AI Agent 需要对接数百乃至上千个工具，传统方法通常将所有工具描述和中间结果全部注入模型上下文，造成 token 开销剧增、响应变慢，甚至触发上下文长度限制。Anthropic 指出，这已成为制约大规模 Agent 系统性能的关键瓶颈。

新方案将 MCP 工具封装为“代码 API”，允许 Agent 通过生成并运行代码来调用这些工具。工具定义按需动态加载，中间的数据处理过程在独立的执行环境中完成，仅将最终结果返回给模型。这种方式大幅减少了模型所需处理的信息量，同时将循环、过滤、逻辑控制等操作交由代码高效执行。

以“处理大规模数据集”为例：当从 Google Sheet 获取 10,000 行数据时，可通过代码先进行筛选和聚合，只将关键结果传回模型，而非将全部原始数据塞入上下文。

根据官方测试，该方式可将上下文使用量从约 15 万 tokens 减少至约 2 千 tokens，压缩幅度接近 99%。此外，由于敏感数据可在隔离环境中预处理后再传递给模型，也进一步提升了数据隐私与安全性。

Anthropic 表示，代码执行模式不仅增强了工具间的组合灵活性与系统可维护性，还对安全沙箱、资源隔离等底层设施提出了更高要求。公司呼吁开发者在 MCP 生态中积极探索更多实际应用场景。

源码地址：点击下载