别再让工具定义撑爆上下文了！MCP 代码执行模式深度解析
原文：别再让工具定义撑爆上下文了！MCP 代码执行模式深度解析
智能体与工具的交互，有两种截然不同的方式：
- 直接调用：每个工具定义和返回结果都会占用模型的上下文窗口
- 代码执行：让模型写代码去调用工具，扩展性更好，Token 消耗更低
听起来差别不大？实测数据告诉你：同样的任务，Token 消耗从 15 万降到 2000，节省 98.7%。
这篇文章来自 Anthropic 官方工程博客，详细拆解了 MCP（Model Context Protocol）在规模化场景下的性能瓶颈，以及如何用代码执行模式彻底解决这个问题。
MCP：智能体连接万物的通用协议
MCP 是连接智能体与外部系统的开放标准。传统方式下，智能体每接入一个工具都需要定制化集成，这种"一对一"的模式根本无法规模化。MCP 提供了一种通用协议——开发者只需在智能体中实现一次 MCP，就能接入整个工具生态。
自 2024 年 11 月发布以来，MCP 的发展势头迅猛：社区已构建了数千个 MCP Server，主流编程语言都有了 SDK 支持，MCP 已成为智能体连接工具与数据的事实标准。
问题来了：当开发者动辄连接几十个 MCP 服务、上百甚至上千个工具时，性能瓶颈开始显现。
两个吃掉 Token 的"隐形杀手"
MCP 规模化使用后，有两个因素会显著增加成本和延迟：
第一，工具定义塞满上下文窗口。
大多数 MCP 客户端会预加载所有工具定义到上下文中。每个工具的定义长这样：
gdrive.getDocument
描述：从 Google Drive 检索文档
参数：
documentId（必需，字符串）：要检索的文档 ID
fields（可选，字符串）：返回的特定字段
返回值：包含标题、正文内容、元数据、权限等的文档对象
一个工具几十上百 Token，连接几千个工具意味着模型在读到用户请求之前，就要先消化十几万 Token 的工具定义。
第二，中间结果反复流经模型。
假设你让智能体执行这个任务：
从 Google Drive 下载我的会议记录，并附加到 Salesforce 的潜在客户信息中。
模型的调用过程是这样的：
工具调用：gdrive.getDocument(documentId: "abc123")
→ 返回"讨论第四季度目标...
[完整会议记录]"
（加载到模型上下文）
工具调用：salesforce.updateRecord(
objectType: "SalesMeeting",
recordId: "00Q5f000001abcXYZ",
data: { "备注": "讨论第四季度目标...
[完整会议记录]" }
)
（模型需要把会议记录再写一遍到上下文中）
完整的会议记录流经模型两次。一个 2 小时的会议，可能产生 5 万个额外 Token。更大的文档甚至会超出上下文限制，直接导致工作流中断。
而且，当模型在工具调用之间复制大段数据时，出错的概率也会上升。
破局之道：让智能体写代码调用工具
代码执行环境在智能体中越来越普及，这为解决上述问题提供了一条优雅的路径：把 MCP 服务暴露为代码 API，而不是直接的工具调用。
这样做有两个核心优势：
- 智能体可以按需加载工具定义
- 数据可以在执行环境中预处理，再返回给模型
具体怎么实现？一种方法是从 MCP 服务生成工具的文件树结构：
servers
├── google-drive
│ ├── getDocument.ts
│ ├── ... (其他工具)
│ └── index.ts
├── salesforce
│ ├── updateRecord.ts
│ ├── ... (其他工具)
│ └── index.ts
└── ... (其他服务)
每个工具对应一个文件，包含类型定义和调用封装：
// ./servers/google-drive/getDocument.ts
import { callMCPTool } from "../../../client.js";
interface GetDocumentInput {
documentId: string;
}
interface GetDocumentResponse {
content: string;
}
/* 从 Google Drive 读取文档 */
export async function getDocument(input: GetDocumentInput): Promise<GetDocumentResponse> {
return callMCPTool<GetDocumentResponse>('google_drive__get_document', input);
}
前面那个"下载会议记录并附加到 Salesforce"的任务，现在变成这样的代码：
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来发现工具：先列出 ./servers/ 目录找到可用服务，再按需读取具体工具文件了解接口定义。这种方式让 Token 消耗从 15 万骤降到 2000——节省 98.7%。
Cloudflare 也发布了类似的研究成果，将这种模式称为"Code Mode"。核心洞察是一致的：大模型天生擅长写代码，开发者应该利用这个优势构建更高效的智能体。
代码执行模式的四大优势
1. 渐进式披露：按需加载工具定义
模型擅长浏览文件系统。当工具以代码形式呈现在文件系统中时，模型可以按需读取，而不是一次性加载所有定义。
另一种做法是在服务端增加 search_tools 工具，支持分层级查询：
- 第一层：只返回工具名称
- 第二层：返回名称 + 描述
- 第三层：返回完整定义
智能体可以根据任务需要选择合适的层级，既省上下文，又能高效找到工具。
2. 数据预处理：过滤后再返回
处理大数据集时，智能体可以在代码中先筛选、转换，再把结果返回给模型。
看一个获取 10,000 行电子表格的场景：
// 没有代码执行：10,000 行全部塞进上下文
TOOL CALL: gdrive.getSheet(sheetId: 'abc123')
→ 返回 10,000 行，模型手动过滤
// 有代码执行：在执行环境中过滤
const allRows = await gdrive.getSheet({ sheetId: 'abc123' });
const pendingOrders = allRows.filter(row =>
row["Status"] === 'pending'
);
console.log(`Found ${pendingOrders.length} pending orders`);
console.log(pendingOrders.slice(0, 5)); // 只返回 5 行供审查
模型看到的是 5 行，不是 10,000 行。聚合计算、多源数据关联、字段提取——这些操作都可以在代码中完成，不会撑爆上下文窗口。
3. 强大的控制流：循环、条件、错误处理
代码执行让智能体可以使用循环、条件判断和错误处理，而不只是单条工具调用链。
比如你需要轮询 Slack 等待部署完成通知：
let found = false;
while (!found) {
const messages = await slack.getChannelHistory({ channel: 'C123456' });
found = messages.some(m => m.text.includes('deployment complete'));
if (!found) await new Promise(r => setTimeout(r, 5000));
}
console.log('Deployment notification received');
这比让模型反复调用工具、等待、再调用高效得多。
还有一个隐藏收益：条件分支在代码执行环境中直接完成，不需要等模型评估 if 语句，首 Token 延迟也降低了。
4. 隐私保护：敏感数据不过模型
代码执行模式下，中间结果默认保留在执行环境中。智能体只能看到你明确打印或返回的数据——那些你不想让模型知道的中间数据，根本不会进入上下文。
对于更敏感的场景，可以让 MCP 客户端自动对敏感数据脱敏。比如你要把客户联系信息从电子表格导入 Salesforce：
const sheet = await gdrive.getSheet({ sheetId: 'abc123' });
for (const row of sheet.rows) {
await salesforce.updateRecord({
objectType: 'Lead',
recordId: row.salesforceId,
data: {
Email: row.email,
Phone: row.phone,
Name: row.name
}
});
}
MCP 客户端在数据抵达模型前拦截并脱敏：
// 智能体看到的是这样的数据:
[
{ salesforceId: '00Q...', email: '[EMAIL_1]', phone: '[PHONE_1]', name: '[NAME_1]' },
{ salesforceId: '00Q...', email: '[EMAIL_2]', phone: '[PHONE_2]', name: '[NAME_2]' },
...
]
当数据流向下一个 MCP 工具时，客户端会自动还原真实值。真实的邮箱、电话、姓名从 Google Sheets 直接流向 Salesforce，始终不经过模型。
技能持久化：让智能体越用越强
代码执行模式还带来一个强大的能力：状态持久化。
智能体可以把中间结果写入文件，实现断点续传：
const leads = await salesforce.query({
query: 'SELECT Id, Email FROM Lead LIMIT 1000'
});
const csvData = leads.map(l => `${l.Id},${l.Email}`).join('
');
await fs.writeFile('./workspace/leads.csv', csvData);
// 后续执行从上次中断处继续
const saved = await fs.readFile('./workspace/leads.csv', 'utf-8');
更有价值的是，智能体可以把自己写的代码保存为可复用函数：
// 在 ./skills/save-sheet-as-csv.ts
import * as gdrive from './servers/google-drive';
export async function saveSheetAsCsv(sheetId: string) {
const data = await gdrive.getSheet({ sheetId });
const csv = data.map(row => row.join(',')).join('
');
await fs.writeFile(`./workspace/sheet-${sheetId}.csv`, csv);
return `./workspace/sheet-${sheetId}.csv`;
}
// 之后任何执行中都可以复用:
import { saveSheetAsCsv } from './skills/save-sheet-as-csv';
const csvPath = await saveSheetAsCsv('abc123');
这就是 Skills（技能） 的概念——存放可复用指令、脚本和资源的文件夹，提升模型在专业任务上的表现。给这些函数加上 SKILL.md 说明文件，就创建了结构化技能供模型调用。
长此以往，你的智能体会逐步构建起一个高阶能力工具箱，不断进化它的"脚手架"。
权衡：代码执行不是银弹
必须承认，代码执行模式有自己的复杂性。
运行智能体生成的代码，需要一个安全的执行环境，配备适当的沙箱机制、资源限制和监控措施。这些基础设施会增加运营开销和安全考量——而直接工具调用不需要操心这些。
代码执行的核心价值是：降低 Token 成本、减少延迟、提升工具组合能力。这些收益需要与实施成本权衡。
总结
MCP 为智能体提供了连接万物的基础协议。但当连接的服务和工具越来越多，工具定义和中间结果会消耗大量 Token，拖慢智能体效率。
虽然"上下文管理"“工具组合”"状态持久化"这些问题听起来很新，但在软件工程领域早有成熟方案。代码执行模式把这些经典模式应用到智能体开发中，让模型用熟悉的编程方式更高效地与 MCP 服务交互。
从 15 万 Token 到 2000 Token，这不只是数字游戏——这是智能体从"玩具"走向"生产"的必经之路。
