Anthropic 近期发布了一篇关于 MCP (Modular Cognitive Pipeline) 未来发展的思考文章，深入探讨了 MCP 的演进方向（参阅：https://www.anthropic.com/engineering/code-execution-with-mcp）。结合该文及其中引用的 Cloudflare 关于 MCP 工程的分析（参阅：https://blog.cloudflare.com/code-mode/），本文旨在清晰阐述 Anthropic 提出的解决方案及其旨在解决的核心问题。
MCP 上下文过长的核心问题
在实际应用中，我们常常需要接入多种 MCP（Modular Cognitive Pipelines），例如 Chrome DevTools MCP、Playwright、GitHub 或 Context 7 等。然而，每次启动这些 MCP 时，都需要预先加载所有工具定义（包括名称、描述及参数要求），这导致单次对话的上下文消耗非常巨大。
举个例子：
用户需求：“把飞书文档的会议记录同步到飞书多维表格”
【传统工具调用流程】
在执行飞书任务时，AI 会同时接收其他 MCP 的工具信息，导致 Token 消耗显著增加。
这仅仅是一个简单任务！如果处理更复杂、更大型的任务，执行效率将面临严峻挑战。
拆分来看，这里面有两个核心问题
问题1：所有工具定义预加载
每个工具定义包含：名称、描述、参数说明（类型、是否必需、用途说明）
- 1个工具 ≈ 150-300 Tokens
- 100 个工具 = 15,000-30,000 Tokens
值得注意的是，一个 MCP 通常包含多个工具。例如，高德地图 MCP 可能提供搜索、查询距离和打车等功能工具；GitHub MCP 则可能包含二三十个工具。
用户还没说话，上下文就满了！
问题2：数据反复流经 AI
所有中间数据都要过 AI。
数据像接力棒，每次传递都要经过 AI。
解决方案：代码执行模式
针对上述两个核心问题，Anthropic 提出了“代码执行模式”这一创新解决方案，其核心思想是：让 AI 通过编写代码来调用工具，而非直接进行工具调用。
1. 按需加载工具（解决预加载问题）
核心思路：避免一次性加载所有工具，而是根据需求按需查找。Anthropic 引入了“渐进式披露”（Progressive Disclosure）的概念，即 AI 能够主动地“发现”并调用所需的工具，而不是预先被动地接收全部工具定义。
实现方式1：文件系统浏览
将所有工具组织成文件夹结构，AI 能够像浏览文件系统一样查找并定位所需的工具。
⚠️ 重要说明：
关于如何将 MCP 转化为工具文件树，Claude 暂时未提供具体实现细节。不过，Cloudflare 的 SDK 文档中提供了一个相关工具。
实现方式2：搜索函数
提供一个搜索函数，AI 可以编写代码传入关键词，系统将返回相关的工具信息。
示例：
⚠️ 重要说明：
Anthropic 的工程博客虽然提供了代码示例（如工具文件结构、import 语句），但并未详细说明 Agent 内部的具体实现方式。
这些实现细节可能需要：
- 等待 Anthropic 后续更新 Claude Code 和 MCP 协议；
- 或由开发者根据现有代码示例自行设计内部实现。
2. 代码在沙箱执行（解决数据流经问题）
核心思路：AI 生成的代码将在安全的沙箱环境中执行，数据流转也仅限于该沙箱内部，从而避免数据反复流经 AI 模型。
代码执行模式的3个案例：
案例1：串联任务流程，一次执行完
传统方式 vs. 代码模式： 过去需要 AI 直接处理的数据问题，现在可以通过编写代码在沙箱中解决，极大地提升了效率和便利性。以下图为例，展示了一个同步任务的案例：
✅效果：AI 只参与任务的起始（编写代码）和结束（接收结果），中间执行过程不直接涉及。
案例2：处理数据结果，而不是全部获取
传统方式的问题： 工具的返回结果无论大小，都会完整地传递给 AI，即使 AI 仅需要其中一小部分信息。代码模式： AI 可以编写代码，在沙箱环境中对数据进行搜索和过滤，仅将所需的部分返回给自身。
下图为举例：
对于最后收到的结果，可以让代码执行过滤。
其他优势：敏感信息隔离，防止数据泄露
所有私密信息均不直接经过 AI 模型，有效防止信息泄露。
AI 只能看到处理结果。
⚠️ 重要说明：
Cloudflare 专门为沙箱功能开发了一个名为“隔离区”的中间工具，该工具基于 Worker（一种 Serverless 服务，按需启动）。目前，Claude 尚未提供类似的实际工具。
补充说明
1. 为什么 AI 适合写代码？
AI 在海量的代码数据上进行过训练，因此编写 TypeScript 或 Python 等代码是其强项。相比于让 AI 直接调用工具（这需要其理解工具复杂的参数和返回格式），编写代码反而更为简单和高效：
- 代码具有清晰的语法规则；
- AI 接触过大量类似的代码范例；
- 可以通过注释明确代码意图。
这好比让一位优秀的翻译官专注于撰写翻译稿（发挥其专长），而不是将其用作低效的搬运工。
2. 代码可以保存成 Skills
一旦代码被成功编写，便可以保存到 ./skills/ 目录下，转化为可复用的技能（Skills）。这将持续增强 AI 的工具箱，使常用操作无需每次都重新编写，从而提高效率。
原文链接：
- Anthropic: 使用 MCP 进行代码执行：构建更高效的智能体
- Cloudflare: 代码模式：使用 MCP 的更好方法
