MCP代码执行与Agent Skills深度解析：从15万token压缩到2000

MCP规模化的瓶颈：工具定义超载与重复传输

MCP（Model Context Protocol）是 Anthropic 在 2024 年 11 月发布的开放协议，目标很简单——让 AI Agent 以统一的方式连接外部工具。不管是 GitHub、Slack、Salesforce，还是自定义 API，对 Agent 来说接口都是一样的。

值得注意的是，MCP 建立在 JSON-RPC 2.0 协议之上，采用客户端-服务器架构，其设计哲学借鉴了 LSP（Language Server Protocol）的成功经验——LSP 通过统一接口让各种 IDE 能够对接任意编程语言的语言服务器，MCP 则试图为 AI Agent 复制这一模式。协议定义了三种核心原语：Tools（工具调用）、Resources（资源读取）和 Prompts（提示模板），覆盖了 Agent 与外部世界交互的主要场景。

发布一年后，社区已经构建了数以千计的 MCP 服务器。但随着规模变大，两个严峻的问题浮出水面：工具定义超载和中间结果重复传输。Anthropic 先后发布了两篇文章，分别提出了「代码执行」和「Agent Skills」两套解法，描绘了 MCP 从工具标准化走向能力单元化的演进路径。

15万token的工具定义超载问题

当一个 Agent 同时连接 GitHub、Slack、Sentry、Grafana、Splunk 等多个服务时，每个工具的定义都要在对话开始前加载进上下文。真实数据显示：仅工具定义就能吃掉 15 万个 token，而任务还没开始。

这一数字背后有真实的经济代价。以 Claude 3.5 Sonnet 为例，输入 token 的单价约为 $3/百万 token，15 万 token 的工具定义意味着每次对话开始前就产生约 $0.45 的固定成本，在高频调用场景下这是不可忽视的开销。更关键的是，研究表明模型在超长上下文中存在「迷失在中间」（Lost in the Middle）现象——对上下文首尾信息的关注度显著高于中间部分。

这正是上下文腐化（Context Corruption）最直接的触发器——大量无关的工具描述挤占了有限的上下文窗口，导致模型对真正重要的信息关注度下降。

中间结果的重复传输问题

假设你要让 Agent 把一份两小时的会议录音从 Google Drive 下载下来，附到 Salesforce 里的一条销售记录上。传统 MCP 调用方式下，这份录音文稿要进两次上下文：第一次是 Agent 读取它，第二次是 Agent 把它作为参数传给 Salesforce 工具。

两次传输，两次 token 消耗，而你真正需要的只是让数据从 A 搬到 B。

核心解法：把MCP工具暴露成代码API

解法出乎意料地优雅：把 MCP 工具暴露成代码 API，让 Agent 写代码来调用它，而不是直接调用工具。

具体做法是在 Agent 的执行环境里，把每个 MCP 服务器的工具函数映射成一组 TypeScript 文件，放在 Servers/ 目录下。Agent 需要调用工具时，先浏览文件系统找到相关的工具定义，然后直接写代码来调用。

效果是量级上的改变：相同任务，传统方案 15 万 token，代码执行方案仅 2000 token，减少了 98.7%。

为什么差距这么大？这里的核心设计思想是渐进式发现（Progressive Disclosure）——一个源自 UX 设计领域的概念，核心思想是按需展示信息而非一次性全量呈现。在软件工程中，这一思想体现为懒加载（Lazy Loading）和按需导入（Dynamic Import）。将其应用于 Agent 系统，本质上是把工具发现从「编译时」推迟到「运行时」：Agent 不再需要预先加载所有工具定义，它先看到的只是文件目录，只有当它判断某个工具有用时，才去读具体的函数签名。这与操作系统的虚拟内存管理有异曲同工之妙——不是把所有程序都加载进物理内存，而是按需换页。

代码执行带来的四大能力提升

1. 执行层数据过滤

比如你需要查一张有 1 万行的电子表格里的待处理订单。传统方式是把 1 万行全部推进上下文，Agent 再从里面找。代码执行的方式是 Agent 写代码在执行环境里过滤掉已完成的行，只把符合条件的 5 条结果返回。模型看到的是 5 行，而不是 1 万行。

2. 代码级控制流

轮询、循环、条件判断这些逻辑都可以直接写在代码里执行，不需要每一步都走一次模型推理。

文章举了一个例子：等待 Slack 频道里出现某条消息。传统方式要不断调用工具再让模型判断；代码方式就是一个 while 循环，只有条件满足才返回，大幅减少了不必要的模型调用和首次 token 的等待延迟。

3. PII数据保护

在执行环境里，可以自动把中间结果里的敏感数据（邮件地址、电话号码、姓名）替换成 [EMAIL]、[PHONE] 这样的占位符，只有实际数据流转需要时才替换回来。模型全程看到的都是脱敏数据。

这解决了一个真实的企业合规问题。PII（Personally Identifiable Information，个人可识别信息）保护是企业级 AI 部署的核心合规要求——GDPR（欧盟通用数据保护条例）和 CCPA（加州消费者隐私法案）均明确规定，个人数据的处理必须遵循最小必要原则。在 AI Agent 场景中，Agent 需要访问包含 PII 的数据才能完成任务，但同时不应将原始 PII 暴露给语言模型，因为模型的推理日志存在数据泄露风险。在执行层自动脱敏，是将数据标记化（Tokenization）实践引入 Agent 架构的自然延伸。

4. 代码即技能——可复用的工作流

代码本身可以保存下来成为可复用的技能。Agent 成功实现了一个工作流后，可以把这段代码存成 TypeScript 文件，附上 Skill.md 说明。下次遇到类似任务，直接复用，不需要重新推理。

这就自然引出了第二个核心概念——Agent Skills。

Agent Skills：给Agent装上肌肉记忆

Skills（技能）是 Anthropic 发布的一套能力封装标准。定义很简单：一个目录，里面有一个 Skill.md 文件，可以包含说明、脚本和其他资源。

把它理解成给 Agent 的「岗位培训手册」——不是构建一个全新的专用 Agent，而是给通用 Agent 装上一份新的技能包，让它能做特定领域的事情。从软件工程视角看，Skills 更接近于插件系统（Plugin System）而非传统的函数库：每个 Skill 是一个自包含的能力单元，携带自己的文档、脚本和元数据，遵循关注点分离（Separation of Concerns）的设计原则。

三层渐进加载设计

Skills 最核心的设计是三层渐进加载：

• 第一层：元数据——技能的名字和一行描述，在 Agent 启动时就加载进系统提示词
• 第二层：完整 Skill.md——当 Agent 判断某个技能和当前任务相关时，再加载全文
• 第三层：引用文件——只有 Agent 执行到需要它们的步骤时才去读取

这个设计的妙处在于：无论你给 Agent 装多少技能，第一层的开销是固定的，每个技能只有一行描述。这种机制与 HTTP 的内容协商（Content Negotiation）类似——先交换元数据确认双方能力，再按需传输完整内容，使得 Skills 的数量可以线性增长而不带来二次方的上下文开销，是解决 Agent 能力扩展性问题的关键架构决策。

实例：PDF操作技能

文章给出了一个具体的例子——PDF 技能。Claude 本来能理解 PDF 内容，但没有直接操作 PDF 的能力（比如填写 PDF 表单）。PDF 技能把这个能力打包进来：

• 核心 Skill.md 里有基本的 PDF 操作说明
• 单独的 Forms.md 文件专门讲表单填写
• 附带一个 Python 脚本用来精确提取表单字段

这比让语言模型去猜快得多，也准确得多。当 Agent 需要填写 PDF 表单时，它读 Skill.md，再读 Forms.md，执行 Python 脚本——整个过程里只有必要的上下文被加载。

MCP与Skills的关系：触手与肌肉记忆

Skills 的定位很清晰：它不是 MCP 的竞争者，而是 MCP 的上层。

• MCP 负责连接工具——标准化外部服务的接口
• Skills 负责打包工作流——封装完整的任务执行能力

一个完整的技能可以同时包含「怎么用 MCP 调用外部服务」的说明，以及处理结果的本地脚本。用一个形象的比喻：MCP 给 Agent 延伸了触手，Skills 给 Agent 装上了肌肉记忆。

MCP生态的三层演进逻辑

把这两篇文章放在一起，可以看到 MCP 生态清晰的三层演进逻辑：

1. 协议标准化——MCP 统一了工具接口，解决了连接问题
2. 代码执行——通过将工具暴露为代码 API，解决了大规模部署下的效率问题，实现了 98.7% 的 token 缩减
3. 能力单元化——Skills 把工作流封装成可组合的能力单元，实现了知识和经验的复用

Anthropoc 已将 Agent Skills 发布为开放标准，这意味着整个生态都可以围绕这套框架构建可复用的 Agent 能力。从「能连接什么工具」到「能做什么事情」，这是 Agent 基础设施从连接层走向能力层的关键一步。

对于开发者而言，核心启示是：不要让 Agent 在每次对话中重新发现世界，而是让它站在已有技能的肩膀上。 渐进式发现、按需加载、代码化执行——这三个设计原则，值得在任何 Agent 系统的架构设计中认真考虑。

核心要点

• MCP大规模部署面临工具定义超载（15万token）和中间结果重复传输两大问题
• 通过将MCP工具暴露为代码API实现渐进式发现，token消耗从15万降至2000，减少98.7%
• 代码执行方式带来数据过滤、控制流优化、PII保护和技能复用四大能力提升
• Agent Skills采用三层渐进加载设计，将工作流封装为可组合的能力单元
• MCP负责连接工具（触手），Skills负责打包工作流（肌肉记忆），二者互补而非竞争