對於向深入學習上下文工程（Context Engineering）的同學，這又是一篇必看的文章。 這篇文章講的是如何解決MCP 工具太多的問題，但凡你做過Agent 開發，用了大量MCP 工具，就會知道MCP 工具多了後最大的問題就是上下文佔用太多，不僅導致成本高，還會影響推理和生成品質。 另外一個問題就是MCP 工具回傳的中間結果也會擠佔大量的上下文空間。 看這篇文章的時候忍不住誇了一下Manus，他們確實在上下文工程方面探索的很深入了，裡面的工程技巧和他們以前分享過的很類似（我一會把之前分享過的Manus 相關的文章在評論也發一下）。 Anthropic 的方案也很簡單直接，就是把「程式碼」也當作工具的一種，然後從程式碼中去呼叫MCP。 這樣做有很多好處： 1. 解決了系統提示詞中工具定義太多的問題 不需要在系統提示詞中載入所有MCP 工具，只需要定義一個「代碼」工具。 那需要工具了怎麼辦呢？ 這些程式碼都保存在統一的目錄下，去目錄檢索下就能找到合適的工具了，例如這是文中的一個目錄範例： servers ├── google-drive │ ├── getDocument.ts │ ├── ... (other tools) │ └── index.ts ├── salesforce │ ├── updateRecord.ts │ ├── ... (other tools) │ └── index.ts └── ... (other servers) 找不到現成的工具怎麼辦？ 直接現寫一個！寫完了還可以保存起來下次繼續用。 2. 解決了MCP 工具回傳結果太長的問題 比如說我們要用MPC 工具獲取1 萬行數據後篩選轉換出合格的數據，就可以先從代碼中調用MCP 工具獲取這1 萬行數據，然後從代碼中去篩選過濾，最後只返回5 條數據，這樣上下文中就只需要保留那5 條過濾的數據，而不是像以前一樣有1 萬條數據在裡面。 3. 解決了資料隱私問題 如果你直接使用MCP 工具，工具回傳的資料都要載入到上下文每次上傳給LLM，用程式碼就可以對敏感資料先二次處理再加到上下文 4. 中間結果持久化與技能沉澱 程式碼可以把一些中間結果寫入檔案儲存到硬碟，一方面可以不佔用上下文空間，另一方面也可以隨時從硬碟避免重複呼叫MCP。 還有雖然很多程式碼是臨時產生的，但是這些臨時產生的程式碼可以保存下來，沉澱為「技能」（Skill），加上SKILL .MD 檔案就和Claude Code 的技能一樣可以被重複使用了。
可能有人還記得2023 年@DrJimFan 他們團隊做的一個玩Minecraft 的Agent Voyager，就能把玩遊戲的技能寫成代碼，保存起來後續使用，最終讓Agent 在Minecraft 中做很多事。現在想想還蠻超前的。
@DrJimFan Manus 把工具分成了3 層，預先定義了許多Shell 工具，也是讓Agent 透過檔案系統直接檢索，另外也會即時寫Python 程式碼來創造工具
Manus 早期分享的《AI 智能體的脈絡工程：建構Manus 的經驗教訓》