Anthropic 新方法：用代码执行提升 AI 代理效率
Anthropic 提出了一种利用代码执行和模型上下文协议 (MCP) 来构建更高效、更具扩展性 AI 代理的新方法。
目前 AI 代理在连接大量工具时，常因一次性加载所有工具定义而导致上下文窗口过载、成本激增。同时，工具调用的中间结果（如长文档）反复传入模型，也极其低效。
Anthropic 的解决方案是：让 AI 代理编写代码与工具 API 交互，而非直接调用。这样，代理能像浏览文件系统一样，按需加载完成任务所需的特定工具，从而解决上述难题。
这一方法带来了几点核心优势：
✅ 大幅降低 Token 消耗
按需加载可将 Token 使用量减少高达 98% (文中示例从 15 万降至 2 千)。
⚙️ 高效的数据流
代理可在代码环境中预处理海量数据，只将关键结果返回模型，避免上下文被淹没。
🔒 增强隐私与安全
敏感信息可在安全的执行环境中处理，无需进入模型上下文，有效保护数据隐私。
🧠 实现技能积累
代理能将代码保存为可复用的“技能”，实现跨任务的记忆和能力成长。
虽然该方法需要安全的沙箱执行环境，增加了实现复杂性，但其在效率和能力上的提升是显著的。
原文链接: https://www.anthropic.com/engineering/code-execution-with-mcp
Anthropic 提出了一种利用代码执行和模型上下文协议 (MCP) 来构建更高效、更具扩展性 AI 代理的新方法。
目前 AI 代理在连接大量工具时，常因一次性加载所有工具定义而导致上下文窗口过载、成本激增。同时，工具调用的中间结果（如长文档）反复传入模型，也极其低效。
Anthropic 的解决方案是：让 AI 代理编写代码与工具 API 交互，而非直接调用。这样，代理能像浏览文件系统一样，按需加载完成任务所需的特定工具，从而解决上述难题。
这一方法带来了几点核心优势：
✅ 大幅降低 Token 消耗
按需加载可将 Token 使用量减少高达 98% (文中示例从 15 万降至 2 千)。
⚙️ 高效的数据流
代理可在代码环境中预处理海量数据，只将关键结果返回模型，避免上下文被淹没。
🔒 增强隐私与安全
敏感信息可在安全的执行环境中处理，无需进入模型上下文，有效保护数据隐私。
🧠 实现技能积累
代理能将代码保存为可复用的“技能”，实现跨任务的记忆和能力成长。
虽然该方法需要安全的沙箱执行环境，增加了实现复杂性，但其在效率和能力上的提升是显著的。
原文链接: https://www.anthropic.com/engineering/code-execution-with-mcp
Anthropic
Code execution with MCP: building more efficient AI agents
Learn how code execution with the Model Context Protocol enables agents to handle more tools while using fewer tokens, reducing context overhead by up to 98.7%.
