MCP 程式碼執行模式：5 個關鍵突破讓 AI 代理效率提升 98.7%

問題根源：直接工具呼叫的 Token 浪費

瓶頸 1：工具定義佔用上下文

傳統 MCP 客戶端會將所有工具定義預先載入模型上下文。每個工具定義包含：

gdrive.getDocument
    描述：從 Google Drive 取得文件
    參數：
        documentId (必填, string): 文件 ID
        fields (選填, string): 要回傳的特定欄位
    回傳：文件物件（標題、內容、權限等）

salesforce.updateRecord
    描述：更新 Salesforce 記錄
    參數：
        objectType (必填, string): Salesforce 物件類型
        recordId (必填, string): 記錄 ID
        data (必填, object): 要更新的欄位
    回傳：更新確認

當連接到 1,000 個工具時，每次對話開始前就需要處理 100,000+ Token。這直接導致：

• 回應延遲增加：模型需要先處理所有工具定義才能開始推理
• 成本暴增：即使只用 2 個工具，也要為 1,000 個工具定義付費
• 擴展受限：上下文視窗有限，無法連接更多工具

瓶頸 2：中間結果重複流經模型

假設任務：「從 Google Drive 下載會議逐字稿，並附加到 Salesforce 潛在客戶」

1. LLM 呼叫:
   gdrive.getDocument("abc123")

2. 回傳 50,000 Token 逐字稿
   → 載入模型上下文

3. LLM 再次呼叫:
   salesforce.updateRecord({
     Notes: "[完整逐字稿內容]"
   })
   → 模型需重新輸出 50,000 Token

總計：逐字稿處理 2 次

1. LLM 撰寫程式碼:
   const transcript =
     await gdrive.getDocument("abc123");

   await salesforce.updateRecord({
     Notes: transcript.content
   });

2. 在執行環境中執行
   → 逐字稿從未進入模型上下文

總計：逐字稿處理 0 次

核心解決方案：將 MCP 伺服器呈現為程式碼 API

Anthropic 的突破性方法：不要讓模型直接呼叫工具，而是讓模型撰寫程式碼來呼叫工具。

技術實作：檔案系統式的工具組織

將所有 MCP 伺服器的工具以檔案系統形式呈現：

servers/
├── google-drive/
│   ├── getDocument.ts
│   ├── listFiles.ts
│   └── index.ts
├── salesforce/
│   ├── updateRecord.ts
│   ├── query.ts
│   └── index.ts
└── ... (其他伺服器)

每個工具對應一個檔案：

// ./servers/google-drive/getDocument.ts
import { callMCPTool } from "../../../client.js";

interface GetDocumentInput {
  documentId: string;
}

interface GetDocumentResponse {
  content: string;
}

/* 從 Google Drive 讀取文件 */
export async function getDocument(
  input: GetDocumentInput
): Promise {
  return callMCPTool(
    'google_drive__get_document',
    input
  );
}

代理的工作方式轉變

模型收到：
- 1,000 個工具定義（100K Token）
- 使用者問題

模型回應：
TOOL_CALL: gdrive.getDocument(...)
↓
等待結果
↓
TOOL_CALL: salesforce.updateRecord(...)

模型收到：
- 檔案系統結構（1K Token）
- 使用者問題

模型回應：
```typescript
import * as gdrive from './servers/google-drive';
import * as sf from './servers/salesforce';

const doc = await gdrive.getDocument({
  documentId: 'abc123'
});

await sf.updateRecord({
  objectType: 'Lead',
  recordId: 'xyz',
  data: { Notes: doc.content }
});
```
↓
程式碼在執行環境中執行

突破 1：按需載入（Progressive Disclosure）

模型只載入需要的工具定義，而非一次載入全部。

工作流程

1. 探索階段：模型列出 ./servers/ 目錄，發現可用的伺服器
2. 選擇階段：根據任務，選擇相關的伺服器（如 google-drive、salesforce）
3. 載入階段：只讀取需要的工具檔案（如 getDocument.ts）
4. 執行階段：撰寫並執行程式碼

實際效益

進階技巧：search_tools 工具

為 MCP 伺服器新增 search_tools 工具，支援關鍵字搜尋：

// 代理撰寫程式碼
const tools = await search_tools({
  query: "salesforce",
  detail: "name_and_description" // name_only | name_and_description | full_schema
});

// 回傳相關工具清單
// → updateRecord, query, createLead, ...

這讓代理可以快速找到需要的工具，而不需要瀏覽整個檔案系統。

突破 2：資料在執行環境中處理

最強大的功能：資料可以在程式碼執行環境中過濾、轉換、聚合，再回傳給模型。

實戰案例 1：過濾大型試算表

TOOL_CALL:
  gdrive.getSheet("abc123")

回傳：10,000 列 × 20 欄
= 200,000 Token 載入上下文

模型手動過濾：
「找出狀態為 pending 的訂單」

const allRows =
  await gdrive.getSheet("abc123");

const pending = allRows.filter(
  row => row.Status === 'pending'
);

console.log(
  `找到 ${pending.length} 筆訂單`
);
console.log(pending.slice(0, 5));

回傳給模型：5 列（500 Token）

效益：從 200,000 Token 降至 500 Token（降低 99.75%）

實戰案例 2：迴圈與條件判斷

任務：「等待 Slack 的部署完成通知」

輪次 1:
TOOL_CALL: slack.getMessages(...)
回傳：未找到 → 5,000 Token

輪次 2:
TOOL_CALL: sleep(5000)
TOOL_CALL: slack.getMessages(...)
回傳：未找到 → 5,000 Token

輪次 3-10:
... 重複 8 次 ...

總計：10 輪次 × 5,000 Token
= 50,000 Token

let found = false;
while (!found) {
  const messages =
    await slack.getChannelHistory({
      channel: 'C123456'
    });

  found = messages.some(
    m => m.text.includes('部署完成')
  );

  if (!found) {
    await sleep(5000);
  }
}

console.log('收到部署通知');

回傳給模型：1 行（20 Token）

效益：從 50,000 Token 降至 20 Token（降低 99.96%），並大幅降低延遲（不需等待模型推理）。

實戰案例 3：隱私保護

任務：「從試算表匯入客戶聯絡資訊到 Salesforce」

// 代理撰寫程式碼（看不到真實資料）
const sheet = await gdrive.getSheet({ sheetId: 'abc123' });

for (const row of sheet.rows) {
  await salesforce.updateRecord({
    objectType: 'Lead',
    recordId: row.salesforceId,
    data: {
      Email: row.email,    // 實際值：john@example.com
      Phone: row.phone,    // 實際值：+886912345678
      Name: row.name       // 實際值：張三
    }
  });
}

console.log(`已更新 ${sheet.rows.length} 筆潛在客戶`);

MCP 客戶端的自動標記化（Tokenization）：

// 代理看到的資料（已脫敏）
[
  {
    salesforceId: '00Q...',
    email: '[EMAIL_1]',
    phone: '[PHONE_1]',
    name: '[NAME_1]'
  },
  {
    salesforceId: '00Q...',
    email: '[EMAIL_2]',
    phone: '[PHONE_2]',
    name: '[NAME_2]'
  }
]

當資料寫入 Salesforce 時，MCP 客戶端會自動將 [EMAIL_1] 還原為 john@example.com。

突破 3：技能持久化（Skills）

程式碼執行環境允許代理將成功的實作儲存為可重複使用的函式，建立「技能庫」。

技能儲存範例

// ./skills/save-sheet-as-csv.ts
import * as gdrive from './servers/google-drive';
import { writeFile } from 'fs/promises';

/**
 * 將 Google Sheets 試算表儲存為 CSV 檔案
 * @param sheetId - Google Sheets 文件 ID
 * @returns CSV 檔案路徑
 */
export async function saveSheetAsCsv(
  sheetId: string
): Promise {
  const data = await gdrive.getSheet({ sheetId });

  const csv = data
    .map(row => row.join(','))
    .join('\n');

  const path = `./workspace/sheet-${sheetId}.csv`;
  await writeFile(path, csv);

  return path;
}

技能重複使用

// 未來任何代理執行都可以呼叫
import { saveSheetAsCsv } from './skills/save-sheet-as-csv';

const csvPath = await saveSheetAsCsv('abc123');
console.log(`CSV 已儲存至 ${csvPath}`);

結合 SKILL.md 建立結構化技能

./skills/save-sheet-as-csv/
├── index.ts              # 技能程式碼
├── SKILL.md              # 技能文件
└── test.ts               # 測試範例

// SKILL.md 內容
# 儲存試算表為 CSV 技能

## 用途
將 Google Sheets 試算表下載並轉換為 CSV 格式。

## 何時使用
- 需要離線存取試算表資料
- 準備匯入其他系統（如資料庫、Excel）
- 備份重要資料

## 範例
```typescript
const path = await saveSheetAsCsv('1a2b3c4d');
// → ./workspace/sheet-1a2b3c4d.csv
```

狀態持久化

代理可將中間結果寫入檔案，實現跨對話的狀態維護：

// 第一次執行：匯出資料
const leads = await salesforce.query({
  query: 'SELECT Id, Email FROM Lead LIMIT 1000'
});

const csv = leads
  .map(l => `${l.Id},${l.Email}`)
  .join('\n');

await writeFile('./workspace/leads.csv', csv);

// 第二次執行：從檔案讀取（無需重新查詢）
const saved = await readFile('./workspace/leads.csv', 'utf-8');
const leads = saved.split('\n').map(line => {
  const [id, email] = line.split(',');
  return { id, email };
});

這對長時間任務（如批次處理 10,000 筆記錄）特別有用：即使中斷，也可從上次進度繼續。