Anthropic: исполнение кода с MCP — меньше токенов, быстрее агенты TL;DR. Модель пишет и исполняет код, который обращается к MCP как к типизированному API. Это убирает «раздутые» описания тулов из контекста и не гоняет промежуточные данные через модель. В примере Anthropic экономия: ~150 000 → ~2 000 токенов (−98,7%).

Зачем менять подход. Описания множества тулов перегружают контекст и замедляют агента. Длинные тексты и таблицы дважды проходят через модель, повышая стоимость и задержки.

Как это выглядит. // GDrive → Salesforce (по мотивам поста Anthropic) import * as gdrive from './servers/google-drive'; import * as salesforce from './servers/salesforce';

const transcript = (await gdrive.getDocument({ documentId: 'abc123' })).content; await salesforce.updateRecord({ objectType: 'SalesMeeting', recordId: '00Q5f000001abcXYZ', data: { Notes: transcript } });

Модель исследует файловое дерево servers/*, читает только нужные определения, а большие данные фильтруются в рантайме до логов/ответа.

Что это даёт. Снижается токен- и латентность за счёт on-demand загрузки инструментов и локальной обработки данных. Логика компонуется естественно — циклы, условия, ретраи пишутся обычным кодом. Чувствительные поля можно токенизировать на уровне рантайма, не пропуская их через контекст модели.

Что учесть. Нужна безопасная песочница исполнения (sandbox, лимиты, мониторинг) и явный сетевой периметр для доступа только к MCP.

Как начать. Генерируйте TS-API из схем MCP и выдавайте агенту дерево servers//.ts; включайте режим исполнения кода в рантайме агента; придерживайтесь принципа progressive discovery — ищите и загружайте только релевантные тулы, а в контекст отправляйте краткие логи.

Источник: anthropic.com/engineering/code-execution-with-mcp

#ai #llm #mcp