前几天，Anthropic 发的一个 MCP 的思考，说明MCP的未来发展

（https://www.anthropic.com/engineering/code-execution-with-mcp）

但这篇文章，讲的不是很清晰，我找了文章中的引用，cloudflare 对于 MCP 工程的思考（https://blog.cloudflare.com/code-mode/）

两者结合起来，思路就清晰了很多。我结合一下这两篇的内容，来说一下他们解决了什么问题。

MCP 上下文过长的核心问题

我们平时会接入很多 MCP，比如 chrome devtools MCP、playwright、GitHub、context 7 等等。

每次启动都要加载所有工具定义（名称+描述+参数要求），发起一次对话，上下文消耗就非常惊人。

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】

我们在执行飞书任务的时候，他会把 其他MCP的工具，也告诉AI，导致token消耗很大。

这还只是一个简单任务！如果你要处理更多、更大的任务，执行起来就会很困难。

拆分来看，这里面有两个核心问题

问题1：所有工具定义要预加载

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 = 150,00-300,00 tokens

• 
  

这里需要说明，一个MCP，会有很多工具。比如高德地图MCP，会有搜索工具、查询距离工具、打车工具；像github mcp，有二三十个工具。

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

针对这两个问题，核心思路是：让 AI 写代码来调用工具，而不是直接调用工具。

1. 按需加载工具（解决预加载问题）

核心思路： 不要一次全加载，需要时再找。

Anthropic 提出了"渐进式披露"（Progressive Disclosure）的概念——AI 可以主动去"找"需要的工具，而不是提前把所有工具塞给它。

实现方式1：文件系统浏览

把所有工具组织成文件夹结构，AI 像浏览文件夹一样查找需要的工具。

⚠️ 重要说明：
把MCP转化成工具文件树，claude 暂时没有说功能怎么做，cloudflare 的SDK 文档里，有提供一个工具

实现方式2：搜索函数

提供一个搜索函数，AI 写代码传入关键词，系统返回相关工具。

示例：

⚠️ 重要说明：

Anthropic 的工程博客提供了代码示例（比如工具文件结构、import 语句），但没说明 Agent 内部如何实现。

这些需要：

1. 等 Anthropic 后续更新 Claude Code 和 MCP 协议

2. 或者开发者根据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： 让 AI 写代码，代码在沙箱里执行，数据在沙箱里流转，不过 AI。

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：

原来需要AI处理的数据问题，现在用代码去解决，就方便很多。

下图举例了一个同步的案例：

✅ 效果： AI 只参与头尾（写代码 + 收结果），中间过程不涉及

案例2：处理数据结果，而不是全部获取

传统方式的问题：

工具返回什么，AI 就收到什么，即使只需要一小部分。

代码模式：

AI 写代码，在沙箱里搜索和过滤，只返回需要的部分。

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

所有的私密信息，不经过 AI，防止AI泄露信息。

AI只能看到处理结果。

⚠️ 重要说明：

沙箱功能，Cloudflare 专门做了一个中间工具叫"隔离区"，是用worker（serverless服务，用了才启动）来做的；Claude 暂无实际工具提供

补充说明

1. 为什么 AI 适合写代码？

AI 在几十亿行代码上训练过，写 TypeScript/Python 代码是强项。

相比让 AI 直接调用工具（需要理解工具的复杂参数和返回格式），写代码反而更简单：

• 代码有清晰的语法规则

• AI 见过大量类似代码

• 可以用注释说明意图

这就像让翻译官写翻译稿（擅长），而不是让他当搬运工（低效）。

2. 代码可以保存成 Skills

写过一次的代码，可以保存到 ./skills/ 目录，变成可复用的能力。

AI 的工具箱会越来越强大，常用操作不用每次都重新写。