使用 MCP 执行代码：构建更高效的智能体

发布于 2025 年 11 月 4 日

引言

直接工具调用会为每个定义和结果消耗上下文。智能体通过编写代码调用工具可以更好地扩展。以下是使用 MCP 的实现方式。

模型上下文协议 (Model Context Protocol, MCP) 是一个用于将 AI 智能体连接到外部系统的开放标准。传统上，将智能体连接到工具和数据需要为每个配对进行定制集成，这造成了碎片化和重复工作，难以构建真正互联的可扩展系统。MCP 提供了一个通用协议——开发者在智能体中实现一次 MCP，就能解锁整个集成生态系统。

自 2024 年 11 月发布 MCP 以来，采用速度极快：社区已构建了数千个 MCP 服务器，所有主流编程语言都有可用的 SDK，业界已将 MCP 作为连接智能体与工具和数据的事实标准。

如今，开发者经常构建能够访问数十个 MCP 服务器上数百甚至数千个工具的智能体。然而，随着连接工具数量的增长，预先加载所有工具定义并通过上下文窗口传递中间结果会拖慢智能体并增加成本。

在本文中，我们将探讨代码执行如何让智能体更高效地与 MCP 服务器交互，在处理更多工具的同时使用更少的 token。

工具导致的过度 token 消耗降低智能体效率

随着 MCP 使用的扩展，有两种常见模式会增加智能体的成本和延迟：

工具定义使上下文窗口过载；
中间工具结果消耗额外的 token。

1. 工具定义使上下文窗口过载

大多数 MCP 客户端会预先将所有工具定义直接加载到上下文中，使用直接工具调用语法将其暴露给模型。这些工具定义可能如下所示：

gdrive.getDocument
     Description: Retrieves a document from Google Drive
     Parameters:
                documentId (required, string): The ID of the document to retrieve
                fields (optional, string): Specific fields to return
     Returns: Document object with title, body content, metadata, permissions, etc.

salesforce.updateRecord
    Description: Updates a record in Salesforce
    Parameters:
               objectType (required, string): Type of Salesforce object (Lead, Contact, Account, etc.)
               recordId (required, string): The ID of the record to update
               data (required, object): Fields to update with their new values
     Returns: Updated record object with confirmation

工具描述占用更多上下文窗口空间，增加了响应时间和成本。在智能体连接数千个工具的情况下，它们在阅读请求之前就需要处理数十万个 token。

2. 中间工具结果消耗额外的 token

大多数 MCP 客户端允许模型直接调用 MCP 工具。例如，你可能要求智能体："从 Google Drive 下载我的会议记录并将其附加到 Salesforce 潜在客户中。"

模型会进行如下调用：

TOOL CALL: gdrive.getDocument(documentId: "abc123")
        -> returns "Discussed Q4 goals...\n[full transcript text]"
           (loaded into model context)

TOOL CALL: salesforce.updateRecord(
			objectType: "SalesMeeting",
			recordId: "00Q5f000001abcXYZ",
  			data: { "Notes": "Discussed Q4 goals...\n[full transcript text written out]" }
		)
		(model needs to write entire transcript into context again)

每个中间结果都必须经过模型。在这个例子中，完整的通话记录会流经两次。对于一场 2 小时的销售会议，这可能意味着额外处理 50,000 个 token。更大的文档可能会超出上下文窗口限制，导致工作流中断。

对于大型文档或复杂数据结构，模型在工具调用之间复制数据时更容易出错。

使用 MCP 执行代码提高上下文效率

随着代码执行环境在智能体中变得越来越普遍，一种解决方案是将 MCP 服务器呈现为代码 API 而非直接工具调用。然后智能体可以编写代码与 MCP 服务器交互。这种方法解决了两个挑战：智能体可以仅加载所需的工具，并在执行环境中处理数据，然后再将结果传回模型。

有多种实现方式。一种方法是从连接的 MCP 服务器生成所有可用工具的文件树。以下是使用 TypeScript 的实现：

servers
├── google-drive
│   ├── getDocument.ts
│   ├── ... (other tools)
│   └── index.ts
├── salesforce
│   ├── updateRecord.ts
│   ├── ... (other tools)
│   └── index.ts
└── ... (other servers)

然后每个工具对应一个文件，类似于：

typescript

// ./servers/google-drive/getDocument.ts
import { callMCPTool } from "../../../client.js";

interface GetDocumentInput {
  documentId: string;
}

interface GetDocumentResponse {
  content: string;
}

/* Read a document from Google Drive */
export async function getDocument(input: GetDocumentInput): Promise<GetDocumentResponse> {
  return callMCPTool<GetDocumentResponse>('google_drive__get_document', input);
}

我们上面的 Google Drive 到 Salesforce 示例变成了以下代码：

typescript

// Read transcript from Google Docs and add to Salesforce prospect
import * as gdrive from './servers/google-drive';
import * as salesforce from './servers/salesforce';

const transcript = (await gdrive.getDocument({ documentId: 'abc123' })).content;
await salesforce.updateRecord({
  objectType: 'SalesMeeting',
  recordId: '00Q5f000001abcXYZ',
  data: { Notes: transcript }
});

智能体通过探索文件系统发现工具：列出 ./servers/ 目录以找到可用的服务器（如 google-drive 和 salesforce），然后读取所需的特定工具文件（如 getDocument.ts 和 updateRecord.ts）以了解每个工具的接口。这让智能体仅加载当前任务所需的定义。这将 token 使用量从 150,000 个减少到 2,000 个——节省了 98.7% 的时间和成本。

Cloudflare 发布了类似的发现，将使用 MCP 执行代码称为"代码模式" (Code Mode)。核心洞察是相同的：LLM 擅长编写代码，开发者应该利用这一优势来构建更高效地与 MCP 服务器交互的智能体。

使用 MCP 执行代码的优势

使用 MCP 执行代码使智能体能够按需加载工具、在数据到达模型之前进行过滤、并在单步中执行复杂逻辑，从而更高效地使用上下文。使用这种方法还有安全性和状态管理方面的优势。

渐进式披露

模型擅长导航文件系统。将工具呈现为文件系统上的代码允许模型按需读取工具定义，而不是预先读取所有定义。

或者，可以向服务器添加 search_tools 工具来查找相关定义。例如，在使用上面假设的 Salesforce 服务器时，智能体搜索 "salesforce" 并仅加载当前任务所需的工具。在 search_tools 工具中包含详细级别参数，允许智能体选择所需的详细程度（如仅名称、名称和描述，或带有 schema 的完整定义），这也有助于智能体节省上下文并高效查找工具。

上下文高效的工具结果

在处理大型数据集时，智能体可以在代码中过滤和转换结果，然后再返回它们。考虑获取一个 10,000 行的电子表格：

typescript

// Without code execution - all rows flow through context
TOOL CALL: gdrive.getSheet(sheetId: 'abc123')
        -> returns 10,000 rows in context to filter manually

// With code execution - filter in the execution environment
const allRows = await gdrive.getSheet({ sheetId: 'abc123' });
const pendingOrders = allRows.filter(row =>
  row["Status"] === 'pending'
);
console.log(`Found ${pendingOrders.length} pending orders`);
console.log(pendingOrders.slice(0, 5)); // Only log first 5 for review

智能体看到的是 5 行而不是 10,000 行。类似的模式也适用于聚合、跨多个数据源的连接或提取特定字段——所有这些都不会使上下文窗口膨胀。

更强大且上下文高效的控制流

循环、条件判断和错误处理可以使用熟悉的代码模式完成，而不是链接单独的工具调用。例如，如果你需要在 Slack 中获取部署通知，智能体可以编写：

typescript

let found = false;
while (!found) {
  const messages = await slack.getChannelHistory({ channel: 'C123456' });
  found = messages.some(m => m.text.includes('deployment complete'));
  if (!found) await new Promise(r => setTimeout(r, 5000));
}
console.log('Deployment notification received');

这种方法比在智能体循环中交替进行 MCP 工具调用和休眠命令更高效。

此外，能够编写并执行条件树还可以节省"首个 token 时间"延迟：智能体不必等待模型评估 if 语句，可以让代码执行环境来完成这项工作。

隐私保护操作

当智能体使用 MCP 执行代码时，中间结果默认保留在执行环境中。这样，智能体只能看到你显式记录或返回的内容，意味着你不想与模型共享的数据可以在工作流中流转，而永远不会进入模型的上下文。

对于更敏感的工作负载，智能体框架可以自动对敏感数据进行标记化。例如，假设你需要将客户联系详情从电子表格导入 Salesforce。智能体编写：

typescript

const sheet = await gdrive.getSheet({ sheetId: 'abc123' });
for (const row of sheet.rows) {
  await salesforce.updateRecord({
    objectType: 'Lead',
    recordId: row.salesforceId,
    data: {
      Email: row.email,
      Phone: row.phone,
      Name: row.name
    }
  });
}
console.log(`Updated ${sheet.rows.length} leads`);

MCP 客户端在数据到达模型之前拦截并标记化 PII：

typescript

// What the agent would see, if it logged the sheet.rows:
[
  { salesforceId: '00Q...', email: '[EMAIL_1]', phone: '[PHONE_1]', name: '[NAME_1]' },
  { salesforceId: '00Q...', email: '[EMAIL_2]', phone: '[PHONE_2]', name: '[NAME_2]' },
  ...
]

然后，当数据在另一个 MCP 工具调用中共享时，会通过 MCP 客户端中的查找进行去标记化。真实的电子邮件地址、电话号码和姓名从 Google Sheets 流向 Salesforce，但从不经过模型。这防止智能体意外记录或处理敏感数据。你还可以使用此功能定义确定性的安全规则，选择数据可以流向何处以及从何处流出。

状态持久化和技能

具有文件系统访问权限的代码执行允许智能体在操作之间维护状态。智能体可以将中间结果写入文件，使其能够恢复工作并跟踪进度：

typescript

const leads = await salesforce.query({
  query: 'SELECT Id, Email FROM Lead LIMIT 1000'
});
const csvData = leads.map(l => `${l.Id},${l.Email}`).join('\n');
await fs.writeFile('./workspace/leads.csv', csvData);

// Later execution picks up where it left off
const saved = await fs.readFile('./workspace/leads.csv', 'utf-8');

智能体还可以将自己的代码持久化为可重用函数。一旦智能体为某个任务开发了可工作的代码，它就可以保存该实现以供将来使用：

typescript

// In ./skills/save-sheet-as-csv.ts
import * as gdrive from './servers/google-drive';
export async function saveSheetAsCsv(sheetId: string) {
  const data = await gdrive.getSheet({ sheetId });
  const csv = data.map(row => row.join(',')).join('\n');
  await fs.writeFile(`./workspace/sheet-${sheetId}.csv`, csv);
  return `./workspace/sheet-${sheetId}.csv`;
}

// Later, in any agent execution:
import { saveSheetAsCsv } from './skills/save-sheet-as-csv';
const csvPath = await saveSheetAsCsv('abc123');

这与技能的概念密切相关，即模型用来提高专业任务性能的可重用指令、脚本和资源文件夹。向这些保存的函数添加 SKILL.md 文件会创建模型可以引用和使用的结构化技能。随着时间的推移，这允许你的智能体构建更高层能力的工具箱，演进其最有效工作所需的脚手架。

请注意，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具有适当沙箱、资源限制和监控的安全执行环境。这些基础设施要求增加了运营开销和直接工具调用所避免的安全考虑。代码执行的好处——降低 token 成本、减少延迟和改进的工具组合——应该与这些实现成本进行权衡。

总结

MCP 为智能体连接众多工具和系统提供了基础协议。然而，一旦连接的服务器过多，工具定义和结果可能会消耗过多的 token，降低智能体效率。

虽然这里的许多问题感觉很新颖——上下文管理、工具组合、状态持久化——但它们在软件工程中已有已知的解决方案。代码执行将这些既定模式应用于智能体，让它们使用熟悉的编程结构更高效地与 MCP 服务器交互。如果你实现了这种方法，我们鼓励你与 MCP 社区分享你的发现。

致谢

本文由 Adam Jones 和 Conor Kelly 撰写。感谢 Jeremy Fox、Jerome Swannack、Stuart Ritchie、Molly Vorwerck、Matt Samuels 和 Maggie Vo 对本文草稿的反馈。

使用 MCP 执行代码：构建更高效的智能体 ​

引言 ​

工具导致的过度 token 消耗降低智能体效率 ​

1. 工具定义使上下文窗口过载 ​

2. 中间工具结果消耗额外的 token ​

使用 MCP 执行代码提高上下文效率 ​

使用 MCP 执行代码的优势 ​

渐进式披露 ​

上下文高效的工具结果 ​

更强大且上下文高效的控制流 ​

隐私保护操作 ​

状态持久化和技能 ​

总结 ​

致谢 ​

使用 MCP 执行代码：构建更高效的智能体

引言

工具导致的过度 token 消耗降低智能体效率

1. 工具定义使上下文窗口过载

2. 中间工具结果消耗额外的 token

使用 MCP 执行代码提高上下文效率

使用 MCP 执行代码的优势

渐进式披露

上下文高效的工具结果

更强大且上下文高效的控制流

隐私保护操作

状态持久化和技能

总结

致谢