1 工具引发的令牌过度消耗降低了智能体效率
- 1.1 工具定义挤占上下文窗口
- 1.2 工具中间结果消耗额外令牌
2 借助 MCP 的代码执行提升上下文使用效率
3 借助 MCP 实现代码执行的优势
4 总结

原文链接 https://www.anthropic.com/engineering/code-execution-with-mcp
直接调用工具会为每个工具定义和执行结果消耗上下文空间。智能体通过编写代码来调用工具，能实现更出色的可扩展性。本文将详细介绍其在 MCP 中的实现方式。

模型上下文协议（Model Context Protocol，简称 MCP）是一套用于将 AI 智能体与外部系统相连接的开放标准。传统方式下，要将智能体与各类工具和数据对接，每一种组合都需要单独定制集成方案，这会造成系统碎片化和重复开发，难以构建真正具备可扩展性的互联系统。而 MCP 提供了通用协议 —— 开发者只需在智能体中完成一次 MCP 集成，就能解锁整个生态系统中的各类工具对接能力。

自 2024 年 11 月 MCP 正式推出以来，其落地应用速度十分迅猛：社区已搭建了数千台 MCP 服务器，主流编程语言均已配套对应的 SDK，MCP 也已成为行业内智能体对接工具与数据的事实标准。

如今，开发者通常会为智能体配置可访问的、来自数十台 MCP 服务器的数百乃至数千个工具。但随着对接工具数量的增加，提前加载所有工具定义、并通过上下文窗口传递中间结果的模式，会拖慢智能体运行速度并增加成本。

本文将探讨代码执行如何帮助智能体更高效地与 MCP 服务器交互，实现工具数量扩容的同时降低令牌消耗

1 工具引发的令牌过度消耗降低了智能体效率

随着 MCP 使用规模的扩大，两种常见模式会显著增加智能体的使用成本与延迟：

工具定义挤占上下文窗口
工具中间结果消耗额外令牌

1.1 工具定义挤占上下文窗口

大多数 MCP 客户端会将所有工具定义提前直接加载到上下文当中，并通过直接工具调用语法将其暴露给模型。这类工具定义的格式示例如下：

gdrive.getDocument
    描述：从谷歌云端硬盘中获取文档
    参数：
        documentId（必填，字符串类型）：待获取文档的ID
        fields（可选，字符串类型）：需要返回的特定字段
    返回值：包含标题、正文内容、元数据、权限等信息的文档对象

gdrive.getDocument

描述：从谷歌云端硬盘中获取文档

参数：

documentId（必填，字符串类型）：待获取文档的ID

fields（可选，字符串类型）：需要返回的特定字段

返回值：包含标题、正文内容、元数据、权限等信息的文档对象

salesforce.updateRecord
    描述：在Salesforce系统中更新记录
    参数：
        objectType（必填，字符串类型）：Salesforce对象类型（如销售线索、联系人、客户等）
        recordId（必填，字符串类型）：待更新记录的ID
        data（必填，对象类型）：待更新字段及其对应新值
    返回值：包含更新确认信息的已更新记录对象

salesforce.updateRecord

描述：在Salesforce系统中更新记录

参数：

objectType（必填，字符串类型）：Salesforce对象类型（如销售线索、联系人、客户等）

recordId（必填，字符串类型）：待更新记录的ID

data（必填，对象类型）：待更新字段及其对应新值

返回值：包含更新确认信息的已更新记录对象

1.2 工具中间结果消耗额外令牌

大多数 MCP 客户端支持模型直接调用 MCP 工具。例如，你可能会向智能体下达指令：“从谷歌云端硬盘下载我的会议纪要，并将其附加到 Salesforce 销售线索中”。

模型会发起如下工具调用：

工具调用：gdrive.getDocument(documentId: "abc123")
        → 返回结果“讨论了第四季度目标……\n[完整会议纪要文本]”
           （该结果会被加载到模型上下文）

工具调用：salesforce.updateRecord(
            objectType: "SalesMeeting",
            recordId: "00Q5f000001abcXYZ",
            data: { "Notes": "讨论了第四季度目标……\n[完整会议纪要文本内容]" }
        )
        （模型需要再次将完整会议纪要写入上下文）

工具调用：gdrive.getDocument(documentId: "abc123")

→ 返回结果“讨论了第四季度目标……\n[完整会议纪要文本]”

（该结果会被加载到模型上下文）

工具调用：salesforce.updateRecord(

objectType: "SalesMeeting",

recordId: "00Q5f000001abcXYZ",

data: { "Notes": "讨论了第四季度目标……\n[完整会议纪要文本内容]" }

)

（模型需要再次将完整会议纪要写入上下文）

每一个中间结果都必须经过模型处理。在上述示例中，完整的会议纪要内容被传输了两次。对于一场 2 小时的销售会议，这可能意味着要额外处理 5 万个令牌。若文档体量更大，甚至可能超出上下文窗口的承载上限，导致整个工作流程中断。

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的过程中，出现错误的概率也会随之升高。

screenshot-20251208-112421 — MCP 客户端会将工具定义加载至模型上下文窗口，并编排一个消息循环，在该循环中，每次工具调用及对应结果都会在操作间隙经过模型处理。

模型	研究生级推理能力（GPQA 钻石级）	本科生级知识储备（MMLU Pro）	代码能力（HumanEval）	数学解题能力（MATH）	高中数学竞赛（AIME2024）	视觉问答（MMMU）	智能体编码能力（SWE-bench 验证集）	智能体工具使用能力（TAU-bench）
Claude 3.5 Sonnet（新版）	65.0%（零样本思维链）	78.0%（零样本思维链）	93.7%（零样本）	78.3%（零样本思维链）	16.0%（零样本思维链）	70.4%（零样本思维链）	49.0%	零售场景 69.2%/ 航空场景 46.0%
Claude 3.5 Haiku	41.6%（零样本思维链）	65.0%（零样本思维链）	88.1%（零样本）	69.2%（零样本思维链）	5.3%（零样本思维链）	–	40.6%	零售场景 51.0%/ 航空场景 22.8%
Claude 3.5 Sonnet	59.4%（零样本思维链）	75.1%（零样本思维链）	92.0%（零样本）	71.1%（零样本思维链）	9.6%（零样本思维链）	68.3%（零样本思维链）	33.4%	零售场景 62.6%/ 航空场景 36.0%
GPT-4o*	–	–	90.2%（零样本）	76.6%（零样本思维链）	9.3%（零样本思维链）	69.1%（零样本思维链）	–	–
GPT-4o mini*	40.2%（零样本思维链）	–	87.2%（零样本）	70.2%（零样本思维链）	–	59.4%（零样本思维链）	–	–
Gemini 1.5 Pro	59.1%（零样本思维链）	75.8%（零样本思维链）	–	86.5%（四样本思维链）	–	65.9%（零样本思维链）	–	–
Gemini 1.5 Flash	51.0%（零样本思维链）	67.3%（零样本思维链）	–	77.9%（四样本思维链）	–	62.3%（零样本思维链）	–	–

* 注：本评估表格未纳入 OpenAI 的 o1 模型系列，原因是该系列模型在生成响应前需要大量前置计算，与常规模

2 借助 MCP 的代码执行提升上下文使用效率

随着代码执行环境在智能体领域的普及，一种优化方案应运而生：将 MCP 服务器以代码 API 的形式呈现，而非支持直接工具调用，智能体便可通过编写代码与 MCP 服务器交互。这种方式能同时解决上述两大问题：智能体可按需加载所需工具，且能在执行环境中先处理数据，再将结果回传给模型。

具体实现方式多样，其中一种是为已对接 MCP 服务器的所有可用工具生成文件目录结构。以下是基于 TypeScript 的实现示例：

servers
├── google-drive
│   ├── getDocument.ts
│   ├── ...（其他工具）
│   └── index.ts
├── salesforce
│   ├── updateRecord.ts
│   ├── ...（其他工具）
│   └── index.ts
└── ...（其他服务器）

servers

├── google-drive

│ ├── getDocument.ts

│ ├── ...（其他工具）

│ └── index.ts

├── salesforce

│ ├── updateRecord.ts

│ ├── ...（其他工具）

│ └── index.ts

└── ...（其他服务器）

每个工具对应一个文件，示例如下：

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

interface GetDocumentInput {
  documentId: string;
}

interface GetDocumentResponse {
  content: string;
}

/* 从谷歌云端硬盘读取文档 */
export async function getDocument(input: GetDocumentInput): Promise<GetDocumentResponse> {
  return callMCPTool<GetDocumentResponse>('google_drive__get_document', input);
}

// ./servers/google-drive/getDocument.ts

import { callMCPTool } from "../../../client.js";

interface GetDocumentInput {

documentId: string;

}

interface GetDocumentResponse {

content: string;

}

/* 从谷歌云端硬盘读取文档 */

export async function getDocument(input: GetDocumentInput): Promise<GetDocumentResponse> {

return callMCPTool<GetDocumentResponse>('google_drive__get_document', input);

}

前文提到的 “从谷歌文档读取会议纪要并同步至 Salesforce” 的需求，可转化为如下代码：

// 从谷歌文档读取会议纪要并添加至Salesforce潜在客户信息
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 }
});

// 从谷歌文档读取会议纪要并添加至Salesforce潜在客户信息

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 }

});

智能体可通过浏览文件系统发现工具：先列出./servers/目录以获取可用服务器（如google-drive和salesforce），再读取所需的具体工具文件（如getDocument.ts和updateRecord.ts），从而了解各工具的接口信息。这使得智能体仅需加载当前任务所需的工具定义，令牌消耗量可从 15 万降至 2000，时间与成本节省率高达 98.7%。

Cloudflare 也发布了类似研究成果，并将这种 MCP 代码执行方式称为 “代码模式”。其核心思路一致：大语言模型擅长编写代码，开发者应利用这一优势，构建能更高效与 MCP 服务器交互的智能体。

3 借助 MCP 实现代码执行的优势

基于 MCP 的代码执行，可让智能体通过按需加载工具、在数据传入模型前进行过滤、单步执行复杂逻辑等方式，提升上下文使用效率。此外，该方式还具备安全防护与状态管理方面的优势。

3.1 渐进式信息披露

模型具备出色的文件系统导航能力。将工具以代码形式部署在文件系统中，模型可按需读取工具定义，无需提前加载全部内容。

此外，还可在服务器中添加search_tools工具以查找相关工具定义。例如，在处理上述 Salesforce 服务器相关任务时，智能体可搜索 “salesforce” 关键词，仅加载当前任务所需的工具。在search_tools工具中设置 “细节层级” 参数，支持智能体按需选择工具定义的详细程度（如仅工具名、工具名 + 描述、含模式的完整定义），也能帮助智能体节省上下文空间、高效定位工具。

3.2 上下文友好的工具结果处理

处理大型数据集时，智能体可在代码中先对结果进行过滤和转换，再将其返回。以获取含 1 万行数据的电子表格为例：

// 无代码执行模式——所有行数据均需传入上下文，由模型手动过滤
工具调用：gdrive.getSheet(sheetId: 'abc123')
        → 1万行数据全部传入上下文

// 代码执行模式——在执行环境中完成过滤
const allRows = await gdrive.getSheet({ sheetId: 'abc123' });
const pendingOrders = allRows.filter(row => 
  row["Status"] === 'pending'
);
console.log(`共查询到${pendingOrders.length}条待处理订单`);
console.log(pendingOrders.slice(0, 5)); // 仅输出前5条供审核

// 无代码执行模式——所有行数据均需传入上下文，由模型手动过滤

工具调用：gdrive.getSheet(sheetId: 'abc123')

→ 1万行数据全部传入上下文

// 代码执行模式——在执行环境中完成过滤

const allRows = await gdrive.getSheet({ sheetId: 'abc123' });

const pendingOrders = allRows.filter(row =>

row["Status"] === 'pending'

);

console.log(`共查询到${pendingOrders.length}条待处理订单`);

console.log(pendingOrders.slice(0, 5)); // 仅输出前5条供审核

智能体只需处理 5 行数据，而非 1 万行。类似逻辑同样适用于数据聚合、跨数据源关联、特定字段提取等场景，且不会造成上下文窗口膨胀。

3.3 更强大且上下文高效的控制流

循环、条件判断、错误处理等逻辑，可通过开发者熟悉的代码模式实现，无需通过链式的独立工具调用来完成。例如，若需在 Slack 中接收部署完成通知，智能体可编写如下代码：

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('已收到部署完成通知');

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('已收到部署完成通知');

相较于在智能体循环中交替执行 MCP 工具调用和休眠指令，这种方式效率更高。
此外，编写可执行的条件判断逻辑，还能缩短 “首个令牌生成耗时” 的延迟：无需等待模型逐行解析条件语句，可直接交由代码执行环境处理。

3.4 隐私保护型操作

智能体基于 MCP 执行代码时，中间结果默认留存于执行环境内。如此一来，智能体仅能获取显式日志或返回的信息，意味着无需与模型共享的敏感数据，可在工作流中流转而不进入模型上下文。

对于高敏感业务场景，智能体的管控组件可自动对敏感数据进行标记脱敏。例如，需将电子表格中的客户联系方式导入 Salesforce 时，智能体编写的代码如下：

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(`已更新${sheet.rows.length}条销售线索`);

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(`已更新${sheet.rows.length}条销售线索`);

MCP 客户端会在数据传入模型前拦截并对个人身份信息（PII）进行脱敏处理：

// 若智能体打印sheet.rows，其看到的内容为：
[
  { salesforceId: '00Q...', email: '[EMAIL_1]', phone: '[PHONE_1]', name: '[NAME_1]' },
  { salesforceId: '00Q...', email: '[EMAIL_2]', phone: '[PHONE_2]', name: '[NAME_2]' },
  ...
]

// 若智能体打印sheet.rows，其看到的内容为：

[

{ salesforceId: '00Q...', email: '[EMAIL_1]', phone: '[PHONE_1]', name: '[NAME_1]' },

{ salesforceId: '00Q...', email: '[EMAIL_2]', phone: '[PHONE_2]', name: '[NAME_2]' },

...

]

当这些数据在其他 MCP 工具调用中传输时，MCP 客户端会通过内部映射表完成脱敏还原。真实的邮箱、电话、姓名可从谷歌表格同步至 Salesforce，但全程不会经过模型处理。这能避免智能体意外记录或处理敏感数据，同时还可通过该机制制定确定性安全规则，管控数据的流转范围。

3.5 状态持久化与技能沉淀

具备文件系统访问权限的代码执行能力，可支持智能体在多次操作间维持状态。智能体可将中间结果写入文件，实现任务断点续跑与进度追踪：

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);

// 后续执行可从断点继续
const saved = await fs.readFile('./workspace/leads.csv', 'utf-8');

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);

// 后续执行可从断点继续

const saved = await fs.readFile('./workspace/leads.csv', 'utf-8');

智能体还可将自身代码保存为可复用函数。一旦智能体开发出能完成特定任务的可用代码，便可将其保存以备后续调用：

// 路径：./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`;
}

// 后续任意智能体执行流程中均可调用：
import { saveSheetAsCsv } from './skills/save-sheet-as-csv';
const csvPath = await saveSheetAsCsv('abc123');

// 路径：./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`;

}

// 后续任意智能体执行流程中均可调用：

import { saveSheetAsCsv } from './skills/save-sheet-as-csv';

const csvPath = await saveSheetAsCsv('abc123');

这与 “技能（Skills）” 的理念深度契合 —— 技能是指为模型打造的、用于提升特定任务表现的可复用指令、脚本及资源文件夹。在这些已保存的函数中添加 SKILL.md 说明文件，就能形成结构化技能，供模型查阅和调用。长此以往，智能体可逐步构建专属的高阶能力工具箱，形成适配自身高效工作的架构体系。
需注意的是，代码执行也会带来额外复杂性。运行智能体生成的代码，需要搭建具备完善沙箱隔离、资源限额管控及运行监控的安全执行环境。这些基础设施需求会产生一定的运维成本与安全考量，而直接工具调用模式则可规避这些问题。因此，在采用代码执行方案时，需权衡其带来的收益（降低令牌成本、减少延迟、优化工具组合）与实施成本。

4 总结

MCP 为智能体对接各类工具与系统提供了基础协议支撑。但随着对接服务器数量的增多，工具定义与执行结果会造成令牌过度消耗，降低智能体运行效率。

尽管这些问题（上下文管理、工具组合、状态持久化）看似新颖，但软件工程领域已存在成熟解决方案。代码执行正是将这些经过验证的模式应用于智能体，使其能通过熟悉的编程结构，更高效地与 MCP 服务器交互。若你已落地该方案，欢迎向 MCP 社区分享实践经验。

Heart.Think.Do

借助 MCP 实现代码执行：构建更高效的智能体