如果我告诉你，有一种方法能将AI代理的效率提升 98.7%，你敢信吗？
传统的AI Agent 在调用工具（Tools）时，主要面临两大性能瓶颈，它们像两个隐形的“吞币怪兽”，悄悄吃掉你的Token和耐心。
你让AI助理帮你查个天气，它却背着一整套《百科全书》出门。这就是传统代理的现状。
大多数代理在开始工作前，会把所有可能用到的工具（如Google Drive、Salesforce等）的详细定义全部加载到自己的“大脑”——也就是模型的上下文窗口（Context Window）里。一个工具的定义可能长这样：
gdrive.getDocumentDescription: 从Google Drive检索文档Parameters:documentId (required, string): 要检索的文档IDfields (optional, string): 需要返回的特定字段Returns: 包含标题、正文、元数据等的文档对象
如果你的代理连接了成百上千个工具，那在它读到你的指令之前，可能就已经处理了 数十万 的Token！这不仅导致响应速度变慢，还让你的账单噌噌上涨。
第二个问题更要命。当代理需要连续调用多个工具时，它就像一个只会机械传话的信使。
举个例子，你让代理：“把我在Google Drive上的会议记录，更新到Salesforce的销售线索里。”
它的工作流程是这样的：
- 调用工具A
gdrive.getDocument(documentId: "abc123") - 返回结果
返回了长达数万字的完整会议记录，并塞进上下文。 - 调用工具B
salesforce.updateRecord(...) - 再次写入
模型需要把刚刚读到的几万字会议记录，原封不动地再写一遍 作为工具B的输入。
看到了吗？一份2小时的会议纪要（可能多达5万Token）在上下文中被来回传递了两次！这不仅极度浪费Token，还容易因为数据量过大而出错，甚至直接超出上下文长度限制，导致任务失败。
面对这些问题，一个革命性的新范式应运而生：代码执行（Code Execution）。
核心思想很简单：不再让模型直接调用工具，而是让它编写一小段代码来完成任务。
这就像你不再手把手教助理每一步怎么做，而是直接告诉他：“写个脚本，把A文件里的内容复制到B系统里。” 助理自己就能搞定所有中间步骤，只向你汇报最终结果。
这种方式彻底改变了游戏规则。AI代理不再被动地调用工具，而是主动地编排工作流。
1. 按需加载：从“全家桶”到“自助餐”
在代码执行范式下，所有工具都被视为代码库或API，以文件系统的形式存在：
servers/├── google-drive/│ ├── getDocument.ts│ └── ...├── salesforce/│ ├── updateRecord.ts│ └── ...
当代理接到任务时，它会像一个聪明的程序员一样，先浏览文件目录，只加载当前任务真正需要的工具定义（比如 getDocument.ts 和 updateRecord.ts）。
效果如何？原文中的一个案例显示，通过这种方式，初始加载的Token数量从 150,000个锐减到2,000个！这正是 98.7% 效率提升的关键来源！
还记得那个来回传递会议纪要的“笨信使”吗？代码执行彻底解决了这个问题。
代理生成的代码会在一个安全的执行环境中运行。数据可以在这个环境里被处理、筛选、转换，只有最终需要给模型看的结果，才会被送入上下文。
比如，要从一个包含10000行数据的表格中找出“待处理”的订单：
传统方式：把10000行数据全部返回给模型，让模型自己找。
代码执行方式：代理会写出这样的代码：
// 在执行环境中筛选数据const allRows = await gdrive.getSheet({ sheetId: 'abc123' });const pendingOrders = allRows.filter(row =>row["Status"] === 'pending');// 只把前5条处理结果返回给模型看一眼console.log(pendingOrders.slice(0, 5));
最终，模型只需要看到5行相关数据，而不是10000行！上下文的压力瞬间释放。
对于需要循环、判断、延时等复杂逻辑的任务，代码执行更是优势尽显。比如“每隔5秒检查一次Slack频道，直到看到‘部署完成’的消息”。
代理可以直接生成一个 while 循环代码，在后台静默运行，直到任务完成。这比模型和工具之间来回进行几十次“检查-等待-再检查”的对话要高效得多。
由于中间数据在执行环境中流转，默认不会进入模型上下文。这意味着，我们可以处理敏感信息（如客户的邮箱、电话），而模型本身根本“看”不到这些原始数据。
我们甚至可以做到自动脱敏。比如，当代码读取到客户邮件时，执行环境可以自动将其替换为 [EMAIL_1] 这样的占位符再交给模型，从而杜绝了敏感信息泄露的风险。
代码执行环境通常带有文件系统访问权限。这意味着AI代理可以将中间结果、任务进度等信息写入文件，实现状态的持久化。如果任务中断，它可以读取文件，从上次离开的地方继续，而不是从头再来。这让执行超长期、超复杂任务成为了可能。
从“直接调用工具”到“编写代码执行”，这不仅仅是一次技术优化，更是一次思想上的飞跃。
它将AI Agent 从一个被动的“指令执行者”，转变为一个主动的“问题解决者”。这种新范式赋予了代理更高的效率、更低的成本、更强的安全性以及处理更复杂任务的能力。
内容来源： Code execution with MCP: Building more efficient agents
https://www.anthropic.com/engineering/code-execution-with-mcp