Anthropic 实践基于 MCP 的代码执行模式，大幅提升 AI Agent 效率

Anthropic 近日介绍了其在 Model Context Protocol（MCP） 上的新实践——通过“代码执行（code execution）”方式，让 AI Agent 以更高效率调用外部工具与数据服务。

随着 AI Agent 需要连接数百甚至上千个工具，传统做法会把所有工具定义与中间结果塞进模型上下文，导致 token 消耗巨大、响应延迟增加、甚至出现上下文溢出。Anthropic 指出，这是当前大规模 Agent 系统的主要性能瓶颈。

新的方案将 MCP 工具暴露为“代码 API”，让 Agent 通过生成并执行代码来调用工具。工具定义在用到时才动态加载，而中间数据处理也在执行环境中完成，仅返回最终结果给模型。这不仅减少模型需要处理的数据量，也让逻辑控制、循环、过滤等工作在代码层面高效完成。

这里以“过滤大规模数据”作为示例：如果从 Google Sheet 拉取 10,000 行数据，先通过代码做筛选、只把少量结果传回模型，而非把所有 10,000 行数据都塞入上下文。

官方测试显示，这种模式能将上下文占用从约 15 万 tokens 降至约 2 千 tokens，节省幅度接近 99%。同时，代码执行还能提升隐私安全，因为敏感数据可在执行环境中预处理后再返回给模型。

Anthropic 强调，代码执行模式带来更强的工具组合能力与可维护性，但也需要安全沙箱、资源限制等基础设施配合。公司鼓励开发者在 MCP 生态中探索更多实际落地场景。