用代码执行调用 MCP：构建更高效的智能体

Code execution with MCP: Building more efficient agents

• mcp
• code-execution
• token-efficiency
• progressive-disclosure
• agent-skills
• sandbox
• security

一句话总结#

不要让每个工具定义、每个中间结果都经过模型上下文：把 MCP 工具当成代码库，让智能体写一段代码去调用，数据在执行环境里流转，模型只看必要的结果。

为什么重要#

• 它点出了 MCP 规模化后的两大 token 浪费，并给出了一个通用的工程解法。
• 再次体现“渐进式披露”：与 Agent Skills 的设计思路一致，而且文中直接把“保存的可复用代码”和 Skills 联系了起来。
• 兼顾隐私与安全：中间数据可以完全不进入模型上下文，还能做 PII 令牌化。
• 讲清了代价：需要沙箱、资源限制、监控，是一种需要权衡的方案，而非免费的午餐。

核心概念（中英对照）#

方法 / 步骤#

1. 问题：两种 token 浪费#

1. 工具定义撑爆上下文：多数 MCP 客户端一开始就把所有工具定义放进上下文；接入上千个工具时，智能体还没读到请求就可能要处理几十万 token。
2. 中间结果反复经过模型：例如“从 Google Drive 取会议记录，附到 Salesforce 线索上”，完整记录会先作为返回结果进入上下文，再被模型原样写进下一次调用的参数里——流经两次。原文估计，两小时的会议可能多出约 5 万 token；文档更大时还可能超出上下文上限，而且模型在工具之间复制大段数据也更容易出错。

2. 解法：把 MCP 服务器呈现为代码#

• 原文示例（TypeScript）：为每个已连接的服务器生成一个目录，每个工具一个文件，文件里是带类型的输入输出接口和一个调用底层 MCP 工具的函数。
• 智能体通过浏览文件系统发现工具：先列出有哪些服务器，再只读取当前任务需要的工具文件。
• 原来的“两次工具调用 + 两次大文本过上下文”，变成一段几行的代码：读取文档内容 → 直接传给更新记录的函数，大文本不经过模型。
• 原文报告：在这个例子中，token 消耗从约 15 万降到约 2,000，节省 98.7%。
• 原文还提到 Cloudflare 发表了类似发现（称为“Code Mode”），核心洞察相同：LLM 擅长写代码，就应该利用这一点。

3. 五个好处#

4. 代价#

运行智能体生成的代码需要安全的执行环境：合适的沙箱、资源限制、监控。这些带来运维开销和安全考量，是直接工具调用所没有的。需要把省 token、降延迟、工具组合更灵活等收益，与这些实现成本放在一起权衡。

原文总结：上下文管理、工具组合、状态持久化这些问题看似新，其实软件工程里都有成熟解法，代码执行只是把这些已有模式用到智能体身上。

图解#

图 1：直接工具调用 vs 代码执行（数据走向）#

flowchart TB
    subgraph D["直接工具调用：大文本两次经过模型"]
        direction LR
        M1((模型)) -- 调用 getDocument --> G1[Google Drive]
        G1 -- 完整记录进入上下文 --> M1
        M1 -- 把完整记录写进参数 --> S1[Salesforce]
    end
    subgraph C["代码执行：大文本只在执行环境中流动"]
        direction LR
        M2((模型)) -- 写一段代码 --> E[执行环境]
        E -- getDocument --> G2[Google Drive]
        G2 -- 记录 --> E
        E -- updateRecord --> S2[Salesforce]
        E -- 只返回“已完成”等简短输出 --> M2
    end

图 2：通过文件系统按需发现工具#

flowchart TD
    A[智能体收到任务] --> B["列出 servers/ 目录<br/>看到 google-drive、salesforce……"]
    B --> C[只读取需要的工具文件<br/>getDocument、updateRecord]
    C --> D[写代码 import 并调用]
    A -. 或者 .-> S["search_tools(query, detail_level)"]
    S --> C
    D --> F{代码可复用？}
    F -- 是 --> K[保存到 skills/<br/>+ SKILL.md]

图解：智能体可以列出 servers/ 目录、只读取需要的工具文件（如 getDocument、updateRecord），也可以用 search_tools(query, detail_level) 按详略程度检索工具；可复用的代码保存为技能。

图 3：PII 令牌化的数据流#

sequenceDiagram
    participant M as 模型
    participant X as 执行环境
    participant CL as MCP 客户端
    participant SH as 表格服务
    participant SF as CRM 服务
    M->>X: 代码：遍历表格行，逐条更新 CRM
    X->>CL: getSheet
    CL->>SH: 请求
    SH-->>CL: 真实邮箱、电话、姓名
    CL-->>X: 替换为占位符 [EMAIL_1] 等
    X->>CL: updateRecord（含占位符）
    CL->>SF: 查表还原为真实数据后发送
    X-->>M: 仅输出“已更新 N 条”

关键原话#

“LLMs are adept at writing code and developers should take advantage of this strength” —— LLM 很擅长写代码，开发者应该好好利用这一长处。

实践建议#

• 统计你的智能体每次请求前光工具定义就占了多少 token；占比高就考虑按需加载。
• 找出“大结果原样搬运”的调用链（文档、表格、日志），优先改成代码内部流转。
• 提供 search_tools 时加一个详细程度参数。
• 代码执行环境必须有沙箱、资源上限和监控（参见第 21 篇沙箱笔记）。
• 涉及个人信息的流程，评估在客户端层做令牌化，并定义允许的数据流向。
• 把多次成功复用的代码沉淀为技能。
• 笔者补充：对比实验时同时记录 token、延迟和成功率三项，避免只因省 token 就牺牲正确性。

延伸阅读#

站内笔记

• 第 9 篇：Advanced tool use — 同类思路的平台功能（Tool Search、Programmatic Tool Calling）。
• 第 7 篇：Agent Skills
• 第 21 篇：Claude Code 沙箱
• 第 2 篇：上下文工程

原文引用的资源

• MCP 官网
• MCP 服务器列表
• Cloudflare “Code Mode”

本笔记依据 2026-10-17 抓取的在线原文撰写。原文：Anthropic,《Code execution with MCP》。