MCP Tokens省九成：MCP動態執行技術

問題背景：AI 代理的 Token 耗用危機

政府採購案例場景

假設您正在為政府機關開發一個「採購保證金自動審核系統」，需要處理以下任務：

傳統 MCP 工具呼叫的困境

使用傳統的 MCP (Model Context Protocol) 工具呼叫方式時，AI 代理會遇到以下問題：

1. Token 開銷爆炸：所有工具定義（法律查詢工具、資料庫工具、計算工具、報告生成工具）都必須預先載入到上下文視窗中，可能消耗數萬 Token。
2. 中間結果傳遞：每次工具呼叫的結果都要通過上下文視窗傳回模型，例如查詢到 1,000 筆標案資料，全部流經模型處理。
3. 反覆往返延遲：搜尋 → 篩選 → 計算 → 報告，每個步驟都是獨立的工具呼叫，需要多次 API 往返。

傳統方法 vs 程式碼執行：實際對比

❌ 傳統 MCP 工具呼叫方式

以下是傳統方法的實作流程：

// 傳統方式 - 每個步驟都是獨立工具呼叫

// 步驟 1：查詢法律條文（工具呼叫 1）
const lawArticle = agent.call_tool("query_law_database", {
    "law": "政府採購法",
    "article": "30"
});
// 返回：完整法條內容（約 500 Token）流經上下文視窗

// 步驟 2：查詢保證金比例規定（工具呼叫 2）
const bondRatio = agent.call_tool("query_regulation", {
    "regulation": "押標金保證金暨其他擔保作業辦法",
    "article": "15"
});
// 返回：完整條文（約 300 Token）流經上下文視窗

// 步驟 3：搜尋標案資料（工具呼叫 3）
const procurements = agent.call_tool("search_procurement_db", {
    "type": "工程採購",
    "min_amount": 50000000,  // 5,000 萬元
    "status": "已決標"
});
// 返回：1,000 筆標案資料（每筆包含標案名稱、金額、廠商等）
// 約 50,000 Token 全部流經上下文視窗

// 步驟 4：篩選需審核案件（工具呼叫 4）
const filtered = agent.call_tool("filter_procurement", {
    "data": procurements,  // 將 50,000 Token 資料再傳一次
    "condition": "保證金 > 契約金額 * 0.1"
});
// 篩選後資料（約 10,000 Token）再次流經上下文視窗

// 步驟 5：生成審核報告（工具呼叫 5）
const report = agent.call_tool("generate_report", {
    "data": filtered
});
// 報告內容（約 5,000 Token）流經上下文視窗

// 總計：5 次工具呼叫，約 65,800 Token 消耗
// 延遲：5 次 API 往返，每次約 2-3 秒，總計 10-15 秒

✅ 新型程式碼執行方式

Anthropic 的程式碼執行方法將 MCP 伺服器視為程式碼 API，代理撰寫程式碼在執行環境中處理資料：

// 程式碼執行方式 - 單次執行，所有處理在環境內完成

import { lawDatabase, procurementDB, reportGenerator } from 'mcp-servers';

async function auditProcurementBonds() {
    // 步驟 1：查詢法律規定（在執行環境內，不經過模型上下文）
    const bondRule = await lawDatabase.query({
        regulation: "押標金保證金暨其他擔保作業辦法",
        article: "15"
    });
    const maxRatio = 0.1;  // 從條文中解析：不得超過 10%

    // 步驟 2：搜尋標案（1,000 筆資料停留在執行環境，不流經模型）
    const allProcurements = await procurementDB.search({
        type: "工程採購",
        minAmount: 50000000,
        status: "已決標"
    });

    // 步驟 3：在執行環境內篩選（所有運算在這裡完成）
    const violations = allProcurements.filter(p => {
        const bondRatio = p.performanceBond / p.contractAmount;
        return bondRatio > maxRatio;
    });

    // 步驟 4：在執行環境內生成統計摘要
    const summary = {
        totalCases: allProcurements.length,
        violationCases: violations.length,
        violationRate: (violations.length / allProcurements.length * 100).toFixed(2) + '%',
        topViolations: violations
            .sort((a, b) => (b.performanceBond / b.contractAmount) - (a.performanceBond / a.contractAmount))
            .slice(0, 10)
            .map(p => ({
                name: p.projectName,
                amount: p.contractAmount,
                bond: p.performanceBond,
                ratio: (p.performanceBond / p.contractAmount * 100).toFixed(2) + '%',
                excess: p.performanceBond - (p.contractAmount * maxRatio)
            }))
    };

    // 只有這個小型摘要物件返回給模型（約 500 Token）
    return summary;
}

// 代理收到的結果範例：
// {
//   totalCases: 1000,
//   violationCases: 50,
//   violationRate: "5.00%",
//   topViolations: [
//     {
//       name: "某市政府道路拓寬工程",
//       amount: 80000000,
//       bond: 12000000,
//       ratio: "15.00%",
//       excess: 4000000
//     },
//     // ... 其他 9 筆
//   ]
// }

// 總計：1 次程式碼執行，約 500 Token 返回給模型
// 延遲：單次執行約 1-2 秒

對比總結：兩種方法的關鍵差異

比較項目	傳統 MCP 工具呼叫	程式碼執行方式
Token 消耗	65,800 Token	500 Token（減少 99.2%）
執行時間	10-15 秒（5 次往返）	1-2 秒（單次執行）
中間資料	全部流經模型上下文（50,000+ Token）	停留在執行環境，不流經模型
隱私保護	所有資料可見於模型上下文	僅摘要結果可見，原始資料受保護
擴展性	新增功能會增加 Token 消耗	程式碼邏輯可複雜化，Token 消耗穩定
錯誤處理	需多次工具呼叫重試	原生程式碼 try-catch，更靈活
成本（假設）	約 $0.20 / 次（以 Claude Sonnet 計價）	約 $0.002 / 次（減少 99%）

七大核心優勢詳解

1. 巨量 Token 效率提升

從 150,000 Token 降到 2,000 Token（原文案例）或從 65,800 降到 500（本案例），意味著：

• API 成本降低 98-99%
• 可處理更複雜的任務而不超出上下文限制
• 能夠存取更多工具而不擔心 Token 爆炸

2. 漸進式工具發現

代理可以「按需探索」可用工具，而非一開始就載入所有工具定義：

// 代理可以先搜尋需要的工具
const tools = await searchTools("政府採購相關");
// 只載入相關的 3-5 個工具，而非全部 50 個工具

3. 環境內資料處理

在採購案例中，1,000 筆標案資料從不離開執行環境，直到篩選為 10 筆重點案件才返回模型。這解決了「大資料集通過小管道」的瓶頸。

4. 更佳的控制流程

使用原生程式設計結構（迴圈、條件判斷、錯誤處理）比鏈接 50 次工具呼叫更直觀且高效：

// 傳統方式：需要 50 次工具呼叫
for (let i = 0; i < 50; i++) {
    result = await agent.call_tool("process_case", {caseId: i});
}

// 程式碼執行：單次執行內處理 50 個案件
const results = cases.map(c => processCase(c));

5. 隱私優勢

6. 狀態持久化

代理可以將中間結果儲存到檔案，實現長時間執行的任務：

// 處理 10,000 筆標案，分批儲存進度
for (let batch = 0; batch < 10; batch++) {
    const results = processBatch(batch);
    await saveToFile(`audit_batch_${batch}.json`, results);
}
// 即使會話中斷，下次可以從檔案恢復

7. 可重用技能庫

隨著時間推移，「計算採購保證金」這類複雜操作可以封裝為高階函式：

// 未來可以直接呼叫
const audit = await auditProcurementBonds({
    type: "工程採購",
    threshold: 50000000
});

Anthropic 建議用 SKILL.MD 檔案記錄這些技能，讓代理參考自己的過往工作。

何時應該使用程式碼執行方式？

實施建議與技術路徑

步驟 1：理解 MCP 協定

Model Context Protocol (MCP) 是 Anthropic 定義的標準，讓 AI 代理能統一存取各種資料來源與工具。您需要：

• 閱讀 MCP 官方文件
• 了解如何將現有 API 封裝為 MCP 伺服器
• 熟悉 MCP 伺服器的安全沙箱環境

步驟 2：設計程式碼 API 介面

將您的 MCP 伺服器轉換為可程式設計介面：

// 不是這樣（工具呼叫）：
{
  "name": "query_procurement",
  "description": "查詢採購標案",
  "parameters": {...}
}

// 而是這樣（程式碼 API）：
import { procurementDB } from 'mcp-procurement-server';

const results = await procurementDB.query({
    type: "工程採購",
    minAmount: 50000000
});

步驟 3：建立安全執行環境

步驟 4：實施漸進式遷移

不必一次性重寫所有系統，可以混合使用：

1. 簡單查詢仍用傳統 MCP 工具呼叫
2. 複雜工作流程改用程式碼執行
3. 逐步將高頻使用的複雜操作封裝為可重用技能

政府 AI 平台的啟示

對於政府級 AI 平台開發團隊（如教育部、僑委會、工程會等單位），這項技術突破帶來以下機會：

結論：從實驗到生產的關鍵一步

Anthropic 的程式碼執行方法不僅是技術優化，更是 AI 代理從「玩具原型」邁向「生產級系統」的關鍵轉折點。

當 Token 成本降低 98%、延遲減少 80%、隱私保護增強時，AI 代理才能真正進入政府、金融、醫療等高要求領域。

這不是「未來的技術」，而是「現在就能實施」的方法。Anthropic 已經提供了完整的技術指南，剩下的是我們根據實際業務需求進行適配與優化。

在政府採購法的案例中，我們看到了這項技術的威力。下一步，是將這項技術應用到更多政府業務場景中。