使用 MCP 执行代码：构建更高效的 AI 代理

摘要

随着MCP协议的广泛应用，AI代理连接数百甚至数千个工具时面临两大挑战：工具定义占用过多上下文窗口、中间结果消耗大量令牌。文章提出将MCP服务器作为代码API而非直接工具调用的解决方案，通过代码执行环境实现工具定义按需加载和数据本地处理，可将令牌消耗从15万降至2千（节省98.7%），同时提供隐私保护和状态持久化等额外优势。

内容框架与概述

文章开篇指出MCP作为连接AI代理与外部系统的开放标准，自2024年11月发布以来获得快速采用，但随着连接工具数量增长，出现了效率瓶颈。作者从两个维度剖析问题：一是所有工具定义预加载导致上下文窗口过载，代理可能需处理数十万令牌才能响应请求；二是中间结果必须经过模型传递，例如一份2小时会议记录可能额外消耗5万令牌。

针对这些问题，文章提出代码执行与MCP结合的解决方案。核心思路是将MCP服务器暴露为文件系统中的代码API，代理通过探索目录结构按需加载所需工具定义，并在执行环境中直接处理数据而非全部传回模型。文章通过Google Drive到Salesforce的实际案例，展示了传统方式与代码执行方式的对比，后者显著减少了令牌消耗。

文章最后总结了代码执行方式的多重优势：高效的上下文使用、数据在执行环境中预处理、隐私保护（中间结果默认不进入模型）、以及状态持久化能力。作者强调这种方法让模型发挥其擅长编写代码的优势，构建更高效的AI代理。

核心概念及解读

MCP（模型上下文协议）：一种连接AI代理与外部工具和数据的开放标准协议，开发者只需实现一次即可接入整个集成生态系统，避免了为每个工具单独开发集成的碎片化问题。

上下文窗口过载：当代理连接大量工具时，所有工具定义预加载会占用大量上下文空间，导致模型在处理实际请求前就消耗了数十万令牌，增加延迟和成本。

代码执行环境：允许代理编写并执行代码与MCP服务器交互的运行时环境，代理可通过文件系统探索发现工具、按需加载定义、在本地处理数据后再返回结果。

按需加载（On-demand Loading）：将工具定义组织为文件树结构，代理通过浏览目录和读取特定文件来获取所需工具接口，而非一次性加载全部定义，实现98.7%的令牌节省。

隐私保护操作：中间结果默认保留在执行环境中，只有明确返回的数据才进入模型上下文，有效防止敏感信息意外泄露给模型。

原文信息

此摘要卡片由 AI 自动生成