如果你在构建 Agent 或处理上下文工程，这是一篇必读的博客。
Anthropic 虽然封锁国内厂商不允许使用他们的 Claude 模型，但不得不说，他们在 Agent 方面的实践都值得借鉴。
他们的工程团队发现，当 Agent 连接上千个工具时，传统的直接工具调用会导致上下文爆炸——光加载工具定义就可能需要数十万个 token。而解法也很简单：让 Agent 写代码调用工具。这么做可以把 token 消耗从 15 万降到 2 千，效率提升 98.7%。
可以说，这个解法不仅诞生了 Claude Code 的 Skills 功能，并且已经成为一种继 MCP 之后另一个 Agent 编程范式，Cloudflare 把其称为"Code Mode"。它不止解决了性能优化的问题，还顺带修复了 PII 自动脱敏、状态持久化、技能复用等问题。
模型上下文协议（MCP） 是一种连接 AI Agent 与外部系统的开放标准。传统上，Agent 需要为每个工具进行定制化集成，导致集成工作碎片化、重复且难以扩展，难以实现真正的系统互联。MCP 提供了统一的协议，开发者只需在 Agent 中实现一次 MCP，即可接入整个集成生态系统。
自 2024 年 11 月 MCP 推出以来，社区的采用速度非常快：已经构建了数千个 MCP 服务器，所有主流编程语言也都拥有了 SDK。业界已将 MCP 视为连接 Agent 与工具和数据的事实标准。
如今，开发者常常构建能够访问数十个 MCP 服务器、集成数百甚至上千个工具的 Agent。然而，随着连接的工具数量增加，预加载所有工具定义并通过上下文窗口传递中间结果，会导致 Agent 运行变慢并增加成本。
在本文中，我们将探讨代码执行如何帮助 Agent 更高效地与 MCP 服务器交互，从而在使用更少 token 的情况下处理更多工具。
工具过度消耗 token，导致 Agent 效率下降
随着 MCP 使用规模的扩大，有两种常见情况会导致 Agent 成本和延迟增加：
工具定义导致上下文窗口超载；
中间工具结果消耗了额外的 token。
1. 工具定义导致上下文窗口超载
大多数 MCP 客户端会将所有工具定义预先加载到上下文中，并通过直接的工具调用语法向模型暴露这些工具。这些工具定义可能如下所示：
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
工具描述占用了更多的上下文窗口，导致响应时间和成本增加。当 Agent 连接数千个工具时，在读取请求前就可能需要处理数十万个 token。
2. 中间工具结果消耗了额外的 token
大多数 MCP 客户端允许模型直接调用 MCP 工具。例如，你可以让你的 Agent 执行以下操作：“从 Google Drive 下载我的会议记录，并将其附加到 Salesforce 线索中。”
模型将会发起如下调用：
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传递。在这个例子中，完整的通话记录需要传递两次。对于一次 2 小时的销售会议，这可能意味着需要额外处理 50,000 个 token。更大的文档甚至可能超出上下文窗口的限制，从而影响工作流程。
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，出错的概率也会增加。
MCP 客户端将工具定义加载到模型的上下文窗口中，并编排一个消息循环，其中每个工具调用和结果在操作之间通过模型传递。
使用 MCP 代码执行提升上下文处理效率
随着代码执行环境对 Agent 的应用越来越普遍，一种解决方案是将 MCP 服务器作为代码 API 提供，而不是直接调用工具。这样，Agent 可以通过编写代码与 MCP 服务器进行交互。这种方式解决了两个问题：一是 Agent 只需加载所需的工具，二是在将结果返回给模型之前，可以在执行环境中对数据进行处理。
实现这一目标有多种方法。其中一种方法是从已连接的 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，类似于：
// ./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);
}
我们前面提到的 Google Drive 到 Salesforce 的示例就变成了下面这样的代码：
// 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 }
});
Agent 通过探索文件系统来发现工具：它会列出 ./servers/ 目录，查找可用服务器（如 google-drive 和 salesforce），然后读取所需的工具文件（如 getDocument.ts 和 updateRecord.ts），以了解每个工具的接口。这样，Agent 只加载当前任务所需的定义，将 token 使用量从 150,000 降至 2,000，节省了 98.7% 的时间和成本。
Cloudflare 也有类似发现，将 MCP 的代码执行称为“代码模式”。他们的核心观点跟我们是一致的：LLM 擅长编写代码，开发者应利用这一优势，构建更高效与 MCP 服务器交互的 Agent。
MCP 代码执行的好处
MCP 的代码执行使 Agent 能够按需加载工具、在数据进入模型前进行过滤，并在单一步骤中执行复杂逻辑，从而更高效地利用上下文。这种方法还带来了安全性和状态管理方面的优势。
渐进式披露
大模型非常擅长导航文件系统。将工具以文件系统中的代码形式呈现，可以让模型按需读取工具定义，而无需预先加载所有定义。
另外，也可以为服务器添加 search_tools 工具，用于查找相关的工具定义。例如，在使用前述 Salesforce 服务器时，Agent 可以搜索“salesforce”，并仅加载当前任务所需的工具。在 search_tools 工具中加入详细级别参数，允许 Agent 根据需要选择信息的详细程度（如仅显示名称、名称和描述，或包含模式的完整定义），这有助于节省上下文空间并高效查找工具。
上下文高效的工具结果
在处理大型数据集时，Agent 可以在返回结果前，通过代码对结果进行筛选和转换。例如，处理一个包含 10,000 行的电子表格时：
// 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
Agent 只看到 5 行数据，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——这些操作都不会导致上下文窗口膨胀。
更强大且上下文高效的控制流
循环、条件和错误处理可以通过熟悉的编程模式实现，而无需单独调用每个工具。例如，如果你需要在 Slack 中发送部署通知，Agent 可以这样编写：
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 Agent 在 MCP 工具调用和 sleep 命令之间循环切换更加高效。
此外，能够直接生成可执行的条件树，还能节省“第一个 token 的时间”延迟：与其让模型评估 if 语句，不如让代码执行环境来完成这一任务。
隐私保护操作
当 Agent 使用 MCP 代码执行任务时，中间结果默认保留在执行环境中。这样，Agent 只能访问你明确记录或返回的信息，这意味着你可以通过工作流程处理不希望与模型共享的数据，而这些数据不会进入模型的上下文。
对于更敏感的任务，Agent 控制器还可以自动对敏感数据进行 token 化。例如，假设你需要将客户联系信息从电子表格导入到 Salesforce。Agent 可以这样编写：
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 ${sheet.rows.length} leads`);
MCP 客户端在数据到达模型前拦截并对 PII 进行脱敏处理。
// What the agent would see, if it logged the sheet.rows:
[
{ salesforceId: '00Q...', email: '[EMAIL_1]', phone: '[PHONE_1]', name: '[NAME_1]' },
{ salesforceId: '00Q...', email: '[EMAIL_2]', phone: '[PHONE_2]', name: '[NAME_2]' },
...
]
然后，当数据在另一个 MCP 工具调用中被共享时，会通过 MCP 客户端的查找功能进行去标记化处理。真实的电子邮件地址、电话号码和姓名会从 Google Sheets 流向 Salesforce，但不会经过模型，从而防止 Agent 意外记录或处理敏感数据。你还可以利用该功能定义确定性的安全规则，灵活控制数据的流向。
状态持久化和技能
具有文件系统访问权限的代码执行，使 Agent 能够在操作过程中维护状态。Agent 可以将中间结果写入文件，从而恢复工作并跟踪进度。
const leads = await salesforce.query({
query: 'SELECT Id, Email FROM Lead LIMIT 1000'
});
const csvData = leads.map(l => `${l.Id},${l.Email}`).join('\n');
await fs.writeFile('./workspace/leads.csv', csvData);
// Later execution picks up where it left off
const saved = await fs.readFile('./workspace/leads.csv', 'utf-8');
Agent 还可以将自己的代码作为可重用函数进行持久化。一旦 Agent 为某个任务开发出可用的代码实现，就可以将其保存，方便今后重复使用。
// In ./skills/save-sheet-as-csv.ts
import * as gdrive from './servers/google-drive';
export async function saveSheetAsCsv(sheetId: string) {
const data = await gdrive.getSheet({ sheetId });
const csv = data.map(row => row.join(',')).join('\n');
await fs.writeFile(`./workspace/sheet-${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。Skills 是可复用的指令、脚本和资源文件夹，模型可以利用它们提升专业任务的表现。将 SKILL.md 文件添加到这些已保存的函数中，可以为模型创建结构化的技能，便于引用和使用。随着时间推移，这将帮助你的 Agent 构建更强大的工具箱，逐步完善其高效工作的基础架构。
需要注意的是，代码执行本身会带来一定的复杂性。运行 Agent 生成的代码，需要在具备合适沙箱、资源限制和监控的安全环境中进行。这些基础设施的要求，会带来额外的操作开销和安全风险，而直接调用工具则可以避免这些问题。代码执行的优势——如降低 token 成本、减少延迟和更灵活的工具组合——需要与这些实施成本进行权衡。
总结
MCP 为 Agent 连接多种工具和系统提供了基础协议。然而，当连接的服务器数量过多时，工具定义和结果会占用大量 token，影响 Agent 的效率。
尽管上下文管理、工具组合和状态持久化等问题看似新颖，但在软件工程领域已有成熟的解决方案。代码执行将这些成熟模式应用于 Agent，使其能够通过熟悉的编程结构更高效地与 MCP 服务器交互。如果你采用了这种方法，欢迎将你的经验和发现分享给 MCP 社区。
正文翻译自 Anthropic 官方博客，原文链接：https://www.anthropic.com/engineering/code-execution-with-mcp
欢迎长按下面的二维码关注 Feisky 公众号，了解更多云原生和 AI 知识。
