仔细读了一遍 Anthropic 这篇关于用代码执行的方式调用 MCP 的文章，还挺有收获的。
https://www.anthropic.com/engineering/code-execution-with-mcp
这一篇的核心逻辑在于解决 MCP 工具执行过程占用 LLM 上下文的问题。许多原本被拆解为多次工具调用的任务，完全可以通过编写代码来一次性完成，从而避免因多次执行而产生不必要的冗长上下文。
例如，一个任务需要先从 Google Drive 获取电子表格，筛选出未完成订单，最后上传至 Salesforce。原始表格可能极为庞大（几万行），且对后续对话无实质参考价值。如果先让 agent 来把这个任务写成一段代码（包含获取、过滤、上传工具的调用和组合），那么注入上下文的将仅是筛选后的有限信息，而非完整的表格数据。这样做不仅减少了 Token 的浪费，也提高了 LLM 执行后续对话的精确度。
此外，在代码执行过程中，可以用文件的方式保存和传递中间结果。因为这套系统是基于文件系统运作的，所有的工具都首先被转换为 MCP 目录下的文件模块，供 agent 生成代码调用，因此也可以存在特定目录如 store/, 允许生成代码在这里存放中间数据。在后续交互中，agent 还能根据对过往代码逻辑的理解，知道如何处理之前生成的数据，从而在运行的完整生命周期中持续维护 store state。
文章中还提到了 Cloudflare 今年 9 月发的一篇文章 Code Mode: the better way to use MCP，理念非常相似，不过 CF 更关注 LLM 生成代码的标准性，它将 MCP 工具直接转换成 TypeScript API，包含完整的类型定义和文档注释。这比第一篇文章提到的文件系统映射更加自然——开发者本来就是这样写代码的；还使用 V8 isolate 作为沙箱环境，既兼顾了性能（毫秒级的启动速度）又提供了安全隔离。
我还在笔记中找到了去年收藏的一篇 paper，是 Apple 发布的 CodeAct, 它也提出了相似的理念。不过不涉及 MCP, 而是直接让 agent 控制 LLM 生成代码，放在 Python 沙盒环境中执行来解决复杂问题 (比如数字计算和数 r :)。当时感觉惊为天人，但现在看来这是必然的解决途径，各家应用开发商都不约而同地想到并使用了。最早在产品上体现的应该是 Claude，去年就发布了 Analysis Tool，用代码生成的方式解决数据分析和可视化，到今年仍然非常好用。
https://www.anthropic.com/engineering/code-execution-with-mcp
这一篇的核心逻辑在于解决 MCP 工具执行过程占用 LLM 上下文的问题。许多原本被拆解为多次工具调用的任务，完全可以通过编写代码来一次性完成，从而避免因多次执行而产生不必要的冗长上下文。
例如，一个任务需要先从 Google Drive 获取电子表格，筛选出未完成订单，最后上传至 Salesforce。原始表格可能极为庞大（几万行），且对后续对话无实质参考价值。如果先让 agent 来把这个任务写成一段代码（包含获取、过滤、上传工具的调用和组合），那么注入上下文的将仅是筛选后的有限信息，而非完整的表格数据。这样做不仅减少了 Token 的浪费，也提高了 LLM 执行后续对话的精确度。
此外，在代码执行过程中，可以用文件的方式保存和传递中间结果。因为这套系统是基于文件系统运作的，所有的工具都首先被转换为 MCP 目录下的文件模块，供 agent 生成代码调用，因此也可以存在特定目录如 store/, 允许生成代码在这里存放中间数据。在后续交互中，agent 还能根据对过往代码逻辑的理解，知道如何处理之前生成的数据，从而在运行的完整生命周期中持续维护 store state。
文章中还提到了 Cloudflare 今年 9 月发的一篇文章 Code Mode: the better way to use MCP，理念非常相似，不过 CF 更关注 LLM 生成代码的标准性，它将 MCP 工具直接转换成 TypeScript API，包含完整的类型定义和文档注释。这比第一篇文章提到的文件系统映射更加自然——开发者本来就是这样写代码的；还使用 V8 isolate 作为沙箱环境，既兼顾了性能（毫秒级的启动速度）又提供了安全隔离。
我还在笔记中找到了去年收藏的一篇 paper，是 Apple 发布的 CodeAct, 它也提出了相似的理念。不过不涉及 MCP, 而是直接让 agent 控制 LLM 生成代码，放在 Python 沙盒环境中执行来解决复杂问题 (比如数字计算和数 r :)。当时感觉惊为天人，但现在看来这是必然的解决途径，各家应用开发商都不约而同地想到并使用了。最早在产品上体现的应该是 Claude，去年就发布了 Analysis Tool，用代码生成的方式解决数据分析和可视化，到今年仍然非常好用。
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%.
