来自 meng shao（@shao__meng）的推文线程

[Anthropic 工程部落格] 透過MCP 實現程式碼執行：建立更有效率的AI 智能體－ 利用AI 擅長編寫程式碼的能力，讓智能體以程式設計師的方式運作，而不是依賴低效的"工具呼叫—等待—再呼叫"模式 核心問題 MCP 是連接AI 智能體與外部系統的開放標準。自一年前推出以來，社群已建置了數千個MCP 伺服器。但隨著連接工具數量的成長，出現了兩個關鍵效率問題： 1. 工具定義佔用過多上下文當智能體連接數千個工具時，傳統方式會將所有工具定義一次載入到上下文視窗中。這些工具描述可能在智慧體處理請求前就消耗數十萬個token。 2. 中間結果重複傳遞當智能體需要在工具之間傳遞資料時（例如從Google Drive 下載會議記錄並附加到Salesforce 記錄），完整的資料必須多次流經模型。一個2 小時的會議記錄可能額外消耗5 萬個token，大文件甚至可能超出上下文視窗限制。 解決方案：程式碼執行+ MCP 核心思路是：將MCP 伺服器呈現為程式碼API，而非直接的工具呼叫。智能體透過編寫程式碼與MCP 伺服器互動。 實作方式將所有可用工具產生為文件樹結構，例如： servers ├── google-drive │ ├── getDocument.ts │ └── index.ts ├── salesforce │ ├── updateRecord.ts │ └── index.ts 智能體透過探索檔案系統來發現工具，只載入目前任務所需的定義。原本需要15 萬token 的場景，現在只需2000 token——節省98.7% 的成本和時間。 五大核心優勢 1. 漸進式發現智能體可以按需讀取工具定義，而不是一次全部載入。也可以新增搜尋功能，只載入相關工具。 2. 上下文有效率地處理資料在程式碼執行環境中過濾和轉換，再回傳給模型。處理1 萬行表格時，智能體只需看5 行而非全部資料。 3. 更強大的控制流程循環、條件判斷和錯誤處理都可以用熟悉的程式碼模式完成，而不是串聯單一工具呼叫。例如輪詢Slack 通知，用一個while 循環就能完成。 4. 隱私保護中間結果預設保留在執行環境中，模型只看到明確記錄或傳回的內容。敏感資料可以在不進入模型上下文的情況下流轉。 MCP 用戶端甚至可以自動對個人資訊進行標記化處理。 5. 狀態持久化與技能累積智能體可以將工作程式碼儲存為可重複使用函數。一旦開發出有效程式碼，就能保存供未來使用。這與Anthropic 的"技能"概念緊密相關，讓智能體持續建立自己的高階能力工具箱。 權衡考慮程式碼執行引入了自身的複雜性，運行智慧體產生的程式碼需要安全的執行環境，包括適當的沙箱、資源限制和監控。需要權衡程式碼執行帶來的好處（降低token 成本、減少延遲、改善工具組合）與實施成本。 這篇文章揭示了一個重要洞見：雖然情境管理、工具組合、狀態持久化等問題看起來很新穎，但它們在軟體工程中都有已知的解決方案。程式碼執行將這些成熟模式應用於智能體，讓它們使用熟悉的程式結構更有效率地與MCP 伺服器互動。 部落格地址