# 如何通过代码执行更高效地使用 MCP？
## 什么是 **Model Context Protocol (MCP)**？
**Model Context Protocol (MCP)** 是一个开放标准，旨在连接 **AI 智能体** 与 **外部系统**。传统的集成方式需要为每种智能体与工具/数据的组合进行定制，导致碎片化和重复工作。**MCP** 通过提供通用协议解决了这个问题，开发者只需在智能体中实现一次 **MCP**，就能接入整个生态系统的工具与数据。自 2024 年 11 月推出以来，**MCP** 发展迅速，社区已经构建了上千个 **MCP 服务器**，各大编程语言都有相应 SDK，**MCP** 已成为行业连接智能体与外部系统的事实标准。**MCP 星球**(官网：MCPmarket.cn) 作为全网最大的 **MCP 平台**，拥有近 4 万个 **MCP Server**，提供热门 **MCP** 的一键直连 API，并支持一键安装到 Cursor 等客户端。
## 使用 MCP 会遇到什么问题？
随着连接的工具越来越多，加载所有 **工具定义** 和在上下文中传递 **中间结果** 会显著降低 **性能**、增加 **成本**。具体来说，主要有两种常见模式会导致智能体成本上升、响应变慢：
1. **工具定义 (Tool Definitions)** 塞满上下文窗口
2. **中间结果 (Intermediate Results)** 反复占用上下文空间
### 1. **工具定义** 占满上下文
大多数 **MCP 客户端** 会在启动时把所有 **工具定义** 一次性加载进上下文。例如：
gdrive.getDocumentDescription:RetrievesadocumentfromGoogleDriveParameters:documentId(required,string):TheIDofthedocumentto retrievefields(optional,string):Specificfields toreturnReturns:Documentobjectwithtitle, body content, metadata, permissions, etc.
salesforce.updateRecordDescription:Updatesa recordinSalesforceParameters:objectType(required,string):TypeofSalesforceobject(Lead,Contact,Account, etc.)recordId(required,string):TheIDofthe record to updatedata(required,object):Fieldsto updatewiththeirnewvaluesReturns:Updatedrecordobjectwithconfirmation
这些 **工具描述** 会大量占用上下文窗口的 **token 空间**，从而增加响应时间和使用成本。当智能体连接几千个工具时，可能在理解请求之前就得处理几十万 token。想象一下，你去餐厅吃饭，服务员直接给你一本几千页的菜单，你还没点菜，就已经被信息淹没了。
### 2. **中间结果** 消耗额外 Token
大多数 **MCP 客户端** 允许模型直接调用 **MCP 工具**。例如，你让智能体执行任务：“从 **Google Drive** 下载会议记录，并附加到 **Salesforce** 销售线索上。” 模型会执行两次工具调用：
TOOL CALL: gdrive.getDocument(documentId:”abc123″)→ returns”Discussed Q4 goals…\n[model needstowrite entire transcript into context again)
每一个 **中间结果** 都必须经过模型传递。在上面的例子中，整份会议记录内容在流程中被传递了两次。如果这是一次持续 2 小时的销售会议，记录文本可能就会额外占用 5 万个 token。而对于更大的文档，这种数据传递甚至可能超出模型的上下文窗口限制，导致整个工作流中断。此外，当文档体量大或数据结构复杂时，模型在不同工具调用之间复制这些数据时，也更容易出现错误，比如遗漏内容、格式混乱或数据不匹配等问题。
## 如何通过代码执行 (Code Execution) 解决 MCP 的问题？
随着 **代码执行环境** 在智能体中越来越普及，一种更高效的解决方案是：将 **MCP 服务器** 以 **代码 API** 的形式呈现，而不是直接调用工具。这样，智能体就可以直接编写代码来与 **MCP 服务器** 交互。这种方法能同时解决前面提到的两大问题：
* 智能体可以只加载所需的 **工具定义**。
* 并能在执行环境中先处理数据，再将结果传回模型，从而显著节省上下文空间并提升性能。
实现方式有多种，其中一种做法是：从已连接的 **MCP 服务器** 生成一个包含所有可用工具的文件树结构 (file tree)。下面是一个使用 **TypeScript** 的示例：
servers
├── google-drive
│ ├── getDocument.ts
│ ├── … (other tools)
│ └── index.ts
├── salesforce
│ ├── updateRecord.ts
│ ├── … (other tools)
│ └── index.ts
└── … (other servers)
每个工具对应一个文件，例如：
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
return callMCPTool
}
上文的 **Google Drive** 到 **Salesforce** 的示例可以写成如下代码：
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({目录，找到已连接的服务器（例如`google-drive`、`salesforce`）。
2. 再读取其中具体的工具文件（如`getDocument.ts`、`updateRecord.ts`），以了解每个工具的接口定义。
这样，智能体只需加载当前任务所需的 **工具定义** 即可，无需一次性载入全部工具。这种方式能将 token 使用量从 15 万减少到 2000 个，实现 98.7% 的时间与成本节省。想象一下，以前你需要背下整本电话簿才能找到一个人的号码，现在你只需要查一下电话号码簿的目录，然后找到对应的那一页就行了。Cloudflare 也发表了类似的研究成果，他们将这种基于 **MCP** 的代码执行方式称为 “Code Mode”。
## 使用 MCP 进行代码执行有哪些优势？
通过 **MCP** 实现的 **代码执行**，让智能体能够更高效地利用上下文。它可以按需加载工具、在数据进入模型前先进行过滤和处理，并能在一次执行中完成复杂逻辑。此外，这种方式在 **安全性** 和 **状态管理** 方面也带来了额外的好处。
### 1. 渐进式加载 (Progressive Disclosure)
模型非常擅长浏览文件系统。当工具以代码文件的形式呈现在文件系统中时，模型就可以按需读取 **工具定义**，而不是一开始就加载所有内容。例如，在前文提到的 **Salesforce** 服务器场景中，可以为服务器添加一个 `search_tools` 工具，用于搜索相关的工具定义。当智能体搜索 “salesforce” 时，它只会加载当前任务所需的那几个工具。此外，还可以为 `search_tools` 工具添加一个细节级别参数 (detail level)，让智能体自行选择加载的定义程度：
* 仅名称 (name only)
* 名称与描述 (name + description)
* 完整定义 (包括数据结构 schema)
这种机制能让智能体节省上下文空间，并更高效地发现合适的工具。
### 2. 上下文高效的结果处理 (Context Efficient Tool Result)
当处理大规模数据集时，智能体可以在执行环境中先过滤、转换结果，再将精简后的数据返回模型。例如，假设要获取一个包含 10,000 行数据的电子表格：
typescript
// Without code execution – all rows flow through context
TOOLCALL: gdrive.getSheet(sheetId:’abc123′)→ returns10,000rowsincontext 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
智能体最终只会看到前 5 行数据，而不是完整的 1 万行表格。这种模式同样适用于聚合计算 (aggregations)、跨多个数据源的关联 (joins)，或提取特定字段 (field extraction) 等场景，整个过程都不会让上下文窗口“爆炸”。
### 3. 更强大且更节省上下文的控制逻辑 (More Powerful and Context-Efficient Control Flow)
通过 **代码执行**，循环、条件判断、错误处理等逻辑都可以用常见的编程结构来实现，而不需要在每次工具调用之间反复让模型判断和响应。例如，如果你需要在 **Slack** 中接受部署完成的通知，智能体可以这样写：
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’);
这种方式比在智能体循环中反复切换 **MCP 工具** 调用与 sleep 命令要高效得多。此外，能够直接编写并执行条件分支 (conditional tree) 还能显著减少「首个 Token 延迟」(time to first token latency)。也就是说，模型无需等待自身去判断 if 语句的结果，执行环境会直接处理这些逻辑，从而更快地进入下一步。
### 4. 隐私保护型操作 (Privacy-Preserving Operations)
当智能体通过 **MCP** 执行代码时，中间结果默认保留在执行环境内，模型只会看到那些被明确记录 (log) 或返回 (return) 的内容。这意味着，你不希望模型接触的数据，可以在整个流程中安全流转，而不会进入模型的上下文。对于更加敏感的任务，智能体运行框架 (agent harness) 还能自动对敏感数据进行脱敏与标记化 (tokenization)。
例如，当你需要从电子表格中导入客户联系信息到 **Salesforce** 时，智能体可以这样编写代码：
typescript
const sheet = await gdrive.getSheet({ sheetId: ‘abc123′ });
}
console.log(`Updated ${sheet.rows.length} leads`);
**MCP 客户端** 会在数据进入模型之前拦截它，并对其中的个人敏感信息 (PII, Personally Identifiable Information) 进行标记化处理 (tokenization)。
// What the agent would see, if it logged the sheet.rows:
[
{
salesforceId: ’00Q…’,
email: ‘[EMAIL_1]’,
phone: ‘[PHONE_1]’,
name: ‘[NAME_1]’,
},
{
salesforceId: ’00Q…’,
email: ‘[EMAIL_2]’,
phone: ‘[PHONE_2]’,
name: ‘[NAME_2]’,
},
…
];
随后，当这些数据在后续的 **MCP 工具** 调用中被使用时，**MCP 客户端** 会通过查找 (lookup) 机制自动进行反标记 (untokenize)，将占位符还原为真实的邮箱地址、电话号码和姓名。因此，真实数据会在 **Google Sheets** 与 **Salesforce** 之间安全传递，但整个过程中，模型从未直接接触这些敏感信息。这种机制能有效防止智能体无意间记录或处理隐私数据，同时，开发者还可以基于此定义确定性的安全规则 (deterministic security rules)，明确规定哪些数据可以在哪些系统之间流动，实现更严格、更可控的数据安全策略。
### 5. 状态持久化与技能 (State Persistence and Skills)
通过具备文件系统访问能力的代码执行环境，智能体可以在多次运行之间保持状态 (persist state)。它能够将中间结果写入文件，以便后续任务继续使用或追踪进度。例如：
typescript
const leads = await salesforce.query({ query: ‘SELECT Id, Email FROM Lead LIMIT 1000’ });
const csvData = leads.map(l => `${l.Id},${l.Email}`).join(‘\n’);
await fs.writeFile(‘./workspace/leads.csv’, csvData);
// Later execution picks up where it left off
const saved = await fs.readFile(‘./workspace/leads.csv’, ‘utf-8’);
智能体还可以将自己编写的代码保存为可复用的函数。当智能体为某个任务成功生成并验证了可用的代码后，它可以将这段实现保存下来，作为未来任务的现成工具重复使用。
typescript
// In ./skills/save-sheet-as-csv.ts
import * as gdrive from ‘./servers/google-drive’;
export async function saveSheetAsCsv(sheetId: string) {
const data = await gdrive.getSheet({ sheetId });
const csv = data.map(row => row.join(‘,’)).join(‘\n’);
await fs.writeFile(`./workspace/sheet-${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 (Skills)”的概念密切相关。技能是由一组可复用的指令、脚本和资源组成的目录，用于帮助模型在特定任务上获得更好的表现。当智能体将这些可复用的函数保存下来，并在其中添加一个`SKILL.md`文件（用于说明该技能的用途、输入输出等），就能形成一个结构化的技能单元 (structured skill)。模型随后可以直接引用并调用这些技能，从而逐渐构建出一个包含高层能力的工具箱。随着时间推移，智能体会在不断的任务中积累出一整套成熟的“脚手架”(scaffolding)，让它在未来的工作中运行得更稳定、更高效。
**注意：** 代码执行本身也引入了一定复杂性。运行由智能体生成的代码，需要一个安全的执行环境，包括 **沙盒隔离 (sandboxing)**、**资源限制 (resource limits)** 和 **运行监控 (monitoring)** 等机制。这些基础设施要求会带来额外的运维成本和安全考量，而这正是直接调用工具 (direct tool calls) 所不需要的。因此，采用 **代码执行模式** 的好处，需要在收益与实现复杂度之间做出权衡。例如降低 token 成本、减少延迟、提高工具组合灵活性。
## 总结
**MCP** 为智能体提供了一个连接多种工具与系统的基础协议。但当连接的服务器过多时，**工具定义** 与 **结果数据** 会迅速消耗上下文空间，降低运行效率。**代码执行 (Code Execution)** 将软件工程的经典模式引入智能体架构，让模型能够通过熟悉的编程逻辑更高效地与 **MCP 服务器** 交互。
—
我认为：这篇文与其说是技术教程，不如说是对智能体未来发展方向的一种展望。智能体不能再像个只会鹦鹉学舌的复读机，它们需要拥有真正的 “思考” 和 “行动” 能力。代码执行就是一把钥匙，它能解锁智能体的潜力，让它们更聪明、更高效、更安全。正如先生所言：“希望本无所谓有，无所谓无的。这正如地上的路；其实地上本没有路，走的人多了，也便成了路。” 或许在不久的将来，代码执行真的能成为智能体进化的必经之路。
#MCP, #代码执行, #智能体 #模型上下文协议
© 版权声明
文章版权归作者所有，未经允许请勿转载。
