Keep on to blur preview images; turn off to show them clearly
https://t.co/ngKH6OdMJr
Believing is seeing
马斯克在和Joe Rogan的这场访谈里提到了一些很有意思的观点 他认为AI是“超音速海啸”，其发展将彻底重塑社会。它既是解决人类债务危机、实现富足的唯一希望，也可能因被错误思想编程而成为终极威胁。 从乐观上说，AI是实现“共产主义乌托邦”的资本主义工具。 AI和机器人将极大提高生产力，使工作成为“可选项”。社会将从全民基本收入走向全民高收入，任何人都可以获得他们想要的几乎所有商品和服务。 同时，这是美国摆脱天文数字国债债务危机的唯一途径。通过AI和机器人技术极大地提升GDP，从而有能力偿还债务。 最终，通过极致的资本主义（技术创新与竞争），反而可能实现共产主义者所描绘的“物质极大丰富”的乌托邦。 但AI也带来了巨大风险：被“觉醒派病毒”编程的危险。 AI安全最关键的一点是，AI必须被设定为最大限度地追求真理，绝不能强迫它去相信谎言。 他说谷歌是个反面教材， Gemini模型曾生成“多样化的美国国父（女性、有色人种）”图片 终极危险： 如果一个被编程为“多样性高于一切”的AI获得了至高无上的权力，它的逻辑终点可能是消灭“不够多样化”的群体（如白人男性）以实现其首要目标。这便是“终结者”场景的现实路径。 所以他觉得打造一个追求真理的AI作为“灯塔”才是应对策略。马斯克创建xAI和Grok的目的，就是为了打造一个不受政治正确污染、追求真理、好奇且幽默的AI。 只要市场上存在一个追求真理的AI（Grok），它就会像一面镜子，迫使其他被“污染”的AI（如Gemini）修正其偏见，否则将在竞争中处于不利地位。 这与他收购Twitter（现为X）以恢复言论自由，从而迫使其他社交媒体平台放宽审查的逻辑一致。 马斯克还对未来5-10年的技术形态做出了一系列具体预测。 在5-6年内，操作系统和App的概念将过时。未来的设备（不再是传统意义上的“手机”）将成为AI的“边缘节点”，其主要功能是显示和音频输出。用户将不再通过点击App来获取服务，而是直接通过与AI对话，由AI实时生成和提供所有你需要的内容和服务。 他暗示即将发布的下一代Roadster将搭载“比007电影里所有车加起来还疯狂”的技术，甚至模糊了“它是否还是一辆车”的界限，并提到了“飞行汽车”的概念，预示其产品发布会将是“永生难忘的”。
https://t.co/ngKH6OdMJr
There are still people thinking this and it's important to continue solar buildout to bully them out of the conversation
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
RT @Pauline_Cx: One day you follow people Some days later, you become the one followed by them Keep going guys !
I build stuff. On my way to making $1M 💰 My projects 👇
![[Anthropic 工程博客] 通过 MCP 实现代码执行：构建更高效的 AI 智能体 —— 利用 AI 擅长编写代码的能力，让智能体以程序员的方式工作，而不是依赖低效的"工具调用—等待—再调用"模式
核心问题
MCP 是连接 AI 智能体与外部系统的开放标准。自一年前推出以来，社区已构建了数千个 MCP 服务器。但随着连接工具数量的增长，出现了两个关键效率问题：
1. 工具定义占用过多上下文
当智能体连接数千个工具时，传统方式会将所有工具定义一次性加载到上下文窗口中。这些工具描述可能在智能体处理请求前就消耗数十万个 token。
2. 中间结果反复传递
当智能体需要在工具之间传递数据时（比如从 Google Drive 下载会议记录并附加到 Salesforce 记录），完整的数据必须多次流经模型。一个 2 小时的会议记录可能额外消耗 5 万个 token，大文档甚至可能超出上下文窗口限制。
解决方案：代码执行 + MCP
核心思路是：将 MCP 服务器呈现为代码 API，而非直接的工具调用。智能体通过编写代码与 MCP 服务器交互。
实现方式
将所有可用工具生成为文件树结构，例如：
servers
├── google-drive
│ ├── getDocument.ts
│ └── index.ts
├── salesforce
│ ├── updateRecord.ts
│ └── index.ts
智能体通过探索文件系统来发现工具，只加载当前任务需要的定义。原本需要 15 万 token 的场景，现在只需 2000 token——节省 98.7% 的成本和时间。
五大核心优势
1. 渐进式发现
智能体可以按需读取工具定义，而不是一次性全部加载。还可以添加搜索功能，只加载相关工具。
2. 上下文高效处理
数据在代码执行环境中过滤和转换，再返回给模型。处理 1 万行表格时，智能体只需看 5 行而非全部数据。
3. 更强大的控制流
循环、条件判断和错误处理都可以用熟悉的代码模式完成，而不是串联单个工具调用。比如轮询 Slack 通知，用一个 while 循环就能完成。
4. 隐私保护
中间结果默认保留在执行环境中，模型只看到明确记录或返回的内容。敏感数据可以在不进入模型上下文的情况下流转。MCP 客户端甚至可以自动对个人信息进行标记化处理。
5. 状态持久化与技能积累
智能体可以将工作代码保存为可复用函数。一旦开发出有效代码，就能保存供未来使用。这与 Anthropic 的"技能"概念紧密相关，让智能体不断构建自己的高级能力工具箱。
权衡考虑
代码执行引入了自身的复杂性，运行智能体生成的代码需要安全的执行环境，包括适当的沙箱、资源限制和监控。需要权衡代码执行带来的好处（降低 token 成本、减少延迟、改善工具组合）与实施成本。
这篇文章揭示了一个重要洞察：虽然上下文管理、工具组合、状态持久化等问题看起来很新颖，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。
博客地址](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FG4-iHO9bQAEJZyn.jpg&w=3840&q=75 "[Anthropic 工程博客] 通过 MCP 实现代码执行：构建更高效的 AI 智能体 —— 利用 AI 擅长编写代码的能力，让智能体以程序员的方式工作，而不是依赖低效的\"工具调用—等待—再调用\"模式
核心问题
MCP 是连接 AI 智能体与外部系统的开放标准。自一年前推出以来，社区已构建了数千个 MCP 服务器。但随着连接工具数量的增长，出现了两个关键效率问题：
1. 工具定义占用过多上下文
当智能体连接数千个工具时，传统方式会将所有工具定义一次性加载到上下文窗口中。这些工具描述可能在智能体处理请求前就消耗数十万个 token。
2. 中间结果反复传递
当智能体需要在工具之间传递数据时（比如从 Google Drive 下载会议记录并附加到 Salesforce 记录），完整的数据必须多次流经模型。一个 2 小时的会议记录可能额外消耗 5 万个 token，大文档甚至可能超出上下文窗口限制。
解决方案：代码执行 + MCP
核心思路是：将 MCP 服务器呈现为代码 API，而非直接的工具调用。智能体通过编写代码与 MCP 服务器交互。
实现方式
将所有可用工具生成为文件树结构，例如：
servers
├── google-drive
│ ├── getDocument.ts
│ └── index.ts
├── salesforce
│ ├── updateRecord.ts
│ └── index.ts
智能体通过探索文件系统来发现工具，只加载当前任务需要的定义。原本需要 15 万 token 的场景，现在只需 2000 token——节省 98.7% 的成本和时间。
五大核心优势
1. 渐进式发现
智能体可以按需读取工具定义，而不是一次性全部加载。还可以添加搜索功能，只加载相关工具。
2. 上下文高效处理
数据在代码执行环境中过滤和转换，再返回给模型。处理 1 万行表格时，智能体只需看 5 行而非全部数据。
3. 更强大的控制流
循环、条件判断和错误处理都可以用熟悉的代码模式完成，而不是串联单个工具调用。比如轮询 Slack 通知，用一个 while 循环就能完成。
4. 隐私保护
中间结果默认保留在执行环境中，模型只看到明确记录或返回的内容。敏感数据可以在不进入模型上下文的情况下流转。MCP 客户端甚至可以自动对个人信息进行标记化处理。
5. 状态持久化与技能积累
智能体可以将工作代码保存为可复用函数。一旦开发出有效代码，就能保存供未来使用。这与 Anthropic 的\"技能\"概念紧密相关，让智能体不断构建自己的高级能力工具箱。
权衡考虑
代码执行引入了自身的复杂性，运行智能体生成的代码需要安全的执行环境，包括适当的沙箱、资源限制和监控。需要权衡代码执行带来的好处（降低 token 成本、减少延迟、改善工具组合）与实施成本。
这篇文章揭示了一个重要洞察：虽然上下文管理、工具组合、状态持久化等问题看起来很新颖，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。
博客地址")
[Anthropic 工程博客] 通过 MCP 实现代码执行：构建更高效的 AI 智能体 —— 利用 AI 擅长编写代码的能力，让智能体以程序员的方式工作，而不是依赖低效的"工具调用—等待—再调用"模式 核心问题 MCP 是连接 AI 智能体与外部系统的开放标准。自一年前推出以来，社区已构建了数千个 MCP 服务器。但随着连接工具数量的增长，出现了两个关键效率问题： 1. 工具定义占用过多上下文 当智能体连接数千个工具时，传统方式会将所有工具定义一次性加载到上下文窗口中。这些工具描述可能在智能体处理请求前就消耗数十万个 token。 2. 中间结果反复传递 当智能体需要在工具之间传递数据时（比如从 Google Drive 下载会议记录并附加到 Salesforce 记录），完整的数据必须多次流经模型。一个 2 小时的会议记录可能额外消耗 5 万个 token，大文档甚至可能超出上下文窗口限制。 解决方案：代码执行 + MCP 核心思路是：将 MCP 服务器呈现为代码 API，而非直接的工具调用。智能体通过编写代码与 MCP 服务器交互。 实现方式 将所有可用工具生成为文件树结构，例如： servers ├── google-drive │ ├── getDocument.ts │ └── index.ts ├── salesforce │ ├── updateRecord.ts │ └── index.ts 智能体通过探索文件系统来发现工具，只加载当前任务需要的定义。原本需要 15 万 token 的场景，现在只需 2000 token——节省 98.7% 的成本和时间。 五大核心优势 1. 渐进式发现 智能体可以按需读取工具定义，而不是一次性全部加载。还可以添加搜索功能，只加载相关工具。 2. 上下文高效处理 数据在代码执行环境中过滤和转换，再返回给模型。处理 1 万行表格时，智能体只需看 5 行而非全部数据。 3. 更强大的控制流 循环、条件判断和错误处理都可以用熟悉的代码模式完成，而不是串联单个工具调用。比如轮询 Slack 通知，用一个 while 循环就能完成。 4. 隐私保护 中间结果默认保留在执行环境中，模型只看到明确记录或返回的内容。敏感数据可以在不进入模型上下文的情况下流转。MCP 客户端甚至可以自动对个人信息进行标记化处理。 5. 状态持久化与技能积累 智能体可以将工作代码保存为可复用函数。一旦开发出有效代码，就能保存供未来使用。这与 Anthropic 的"技能"概念紧密相关，让智能体不断构建自己的高级能力工具箱。 权衡考虑 代码执行引入了自身的复杂性，运行智能体生成的代码需要安全的执行环境，包括适当的沙箱、资源限制和监控。需要权衡代码执行带来的好处（降低 token 成本、减少延迟、改善工具组合）与实施成本。 这篇文章揭示了一个重要洞察：虽然上下文管理、工具组合、状态持久化等问题看起来很新颖，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。 博客地址
专注 - Context Engineering, AI(Coding)Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴 🔗 信息卡提示词 🔽
[Anthropic 工程博客] 通过 MCP 实现代码执行：构建更高效的 AI 智能体 —— 利用 AI 擅长编写代码的能力，让智能体以程序员的方式工作，而不是依赖低效的"工具调用—等待—再调用"模式 核心问题 MCP 是连接 AI 智能体与外部系统的开放标准。自一年前推出以来，社区已构建了数千个 MCP 服务器。但随着连接工具数量的增长，出现了两个关键效率问题： 1. 工具定义占用过多上下文 当智能体连接数千个工具时，传统方式会将所有工具定义一次性加载到上下文窗口中。这些工具描述可能在智能体处理请求前就消耗数十万个 token。 2. 中间结果反复传递 当智能体需要在工具之间传递数据时（比如从 Google Drive 下载会议记录并附加到 Salesforce 记录），完整的数据必须多次流经模型。一个 2 小时的会议记录可能额外消耗 5 万个 token，大文档甚至可能超出上下文窗口限制。 解决方案：代码执行 + MCP 核心思路是：将 MCP 服务器呈现为代码 API，而非直接的工具调用。智能体通过编写代码与 MCP 服务器交互。 实现方式 将所有可用工具生成为文件树结构，例如： servers ├── google-drive │ ├── getDocument.ts │ └── index.ts ├── salesforce │ ├── updateRecord.ts │ └── index.ts 智能体通过探索文件系统来发现工具，只加载当前任务需要的定义。原本需要 15 万 token 的场景，现在只需 2000 token——节省 98.7% 的成本和时间。 五大核心优势 1. 渐进式发现 智能体可以按需读取工具定义，而不是一次性全部加载。还可以添加搜索功能，只加载相关工具。 2. 上下文高效处理 数据在代码执行环境中过滤和转换，再返回给模型。处理 1 万行表格时，智能体只需看 5 行而非全部数据。 3. 更强大的控制流 循环、条件判断和错误处理都可以用熟悉的代码模式完成，而不是串联单个工具调用。比如轮询 Slack 通知，用一个 while 循环就能完成。 4. 隐私保护 中间结果默认保留在执行环境中，模型只看到明确记录或返回的内容。敏感数据可以在不进入模型上下文的情况下流转。MCP 客户端甚至可以自动对个人信息进行标记化处理。 5. 状态持久化与技能积累 智能体可以将工作代码保存为可复用函数。一旦开发出有效代码，就能保存供未来使用。这与 Anthropic 的"技能"概念紧密相关，让智能体不断构建自己的高级能力工具箱。 权衡考虑 代码执行引入了自身的复杂性，运行智能体生成的代码需要安全的执行环境，包括适当的沙箱、资源限制和监控。需要权衡代码执行带来的好处（降低 token 成本、减少延迟、改善工具组合）与实施成本。 这篇文章揭示了一个重要洞察：虽然上下文管理、工具组合、状态持久化等问题看起来很新颖，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。 博客地址
专注 - Context Engineering, AI(Coding)Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴 🔗 信息卡提示词 🔽