[Blog de Engenharia Antropológica] Alcançando a Execução de Código via MCP: Construindo Agentes de IA Mais Eficientes – Aproveitando a proficiência da IA em codificação para permitir que os agentes trabalhem como programadores, em vez de depender de padrões ineficientes de "chamada de ferramenta—espera—reconvocação". questões centrais O MCP é um padrão aberto para conectar agentes de IA a sistemas externos. Desde o seu lançamento, há um ano, a comunidade construiu milhares de servidores MCP. No entanto, com o aumento no número de ferramentas de conectividade, surgiram dois problemas principais de eficiência: 1. As definições de ferramentas consomem muito contexto: Quando um agente se conecta a milhares de ferramentas, a abordagem tradicional carrega todas as definições de ferramentas na janela de contexto de uma só vez. Essas descrições de ferramentas podem consumir centenas de milhares de tokens antes que o agente processe a solicitação. 2. Resultados Intermediários Passados Repetidamente: Quando os agentes precisam transferir dados entre ferramentas (como baixar atas de reunião do Google Drive e anexá-las a registros do Salesforce), os dados completos devem percorrer o modelo várias vezes. Uma transcrição de reunião de 2 horas pode consumir 50.000 tokens adicionais, e documentos grandes podem até exceder o limite da janela de contexto. Solução: Execução de código + MCP A ideia central é apresentar o servidor MCP como uma API de código, em vez de uma chamada direta a uma ferramenta. Os agentes interagem com o servidor MCP escrevendo código. O método de implementação gera uma estrutura de árvore de arquivos para todas as ferramentas disponíveis, por exemplo: servidores ├── google-drive │ ├── getDocument.ts │ └── index.ts ├── Salesforce │ ├── updateRecord.ts │ └── index.ts O agente descobre ferramentas explorando o sistema de arquivos, carregando apenas as definições necessárias para a tarefa atual. Um cenário que antes exigia 150.000 tokens agora precisa de apenas 2.000 tokens — economizando 98,7% de custo e tempo. Cinco vantagens principais 1. A descoberta progressiva de agentes permite que eles leiam as definições das ferramentas sob demanda, em vez de carregá-las todas de uma vez. Uma função de busca também pode ser adicionada para carregar apenas as ferramentas relevantes. 2. Processamento de dados eficiente em termos de contexto: Os dados são filtrados e transformados dentro do ambiente de execução do código antes de serem retornados ao modelo. Ao processar uma tabela com 10.000 linhas, o agente precisa analisar apenas 5 linhas em vez de todos os dados. 3. Loops de controle de fluxo mais robustos, instruções condicionais e tratamento de erros podem ser implementados usando padrões de codificação familiares, em vez de encadear chamadas de ferramentas individuais. Por exemplo, a verificação de notificações do Slack pode ser feita com um único loop while. 4. Proteção da Privacidade: Por padrão, os resultados intermediários são retidos no ambiente de execução; o modelo visualiza apenas o conteúdo explicitamente registrado ou retornado. Dados sensíveis podem fluir sem entrar no contexto do modelo. O cliente MCP pode até mesmo tokenizar informações pessoais automaticamente. 5. Persistência de Estado e Acumulação de Habilidades: Os agentes podem salvar código funcional como funções reutilizáveis. Uma vez desenvolvido um código eficaz, ele pode ser salvo para uso futuro. Isso está intimamente relacionado ao conceito de "habilidades" da Anthropic, permitindo que os agentes construam continuamente seu próprio conjunto de ferramentas de capacidades avançadas. A complexidade introduzida pela execução de código deve ser considerada. Executar código gerado pelo agente requer um ambiente de execução seguro, incluindo isolamento adequado (sandboxing), limites de recursos e monitoramento. Os benefícios da execução de código (custos reduzidos de tokens, latência reduzida, conjunto de ferramentas aprimorado) devem ser ponderados em relação aos custos de implementação. Este artigo revela uma importante descoberta: embora questões como gerenciamento de contexto, composição de ferramentas e persistência de estado possam parecer inovadoras, todas elas possuem soluções conhecidas na engenharia de software. A execução de código aplica esses padrões consolidados aos agentes, permitindo que eles interajam com o servidor MCP de forma mais eficiente, utilizando estruturas de programação familiares. Endereço do blog
![[Blog de Engenharia Antropológica] Alcançando a Execução de Código via MCP: Construindo Agentes de IA Mais Eficientes –](https://pbs.twimg.com/media/G4-iHO9bQAEJZyn.jpg)