MCP 動態管線法

一、三種方法對比

二、MCP Code Execution 核心奧義

傳統 MCP 架構會將所有工具定義載入 context window，導致 tokens 消耗巨大。以 Anthropic 官方案例為例，47 個工具的直接呼叫消耗約 150,000 tokens。

效益驗證：同一工作流程從 150,000 tokens 降至 2,000 tokens，減少 98.7%。中間資料處理完全不經過 LLM context，大幅降低成本與延遲。

三、Unix Pipe + GNU Parallel 奧義

Unix 管線設計哲學：管線總指揮，而非大模型總指揮。將既有的 CLI 工具透過 pipe 串接，利用 GNU Parallel 實現平行運算，LLM 僅在需要智慧決策時介入。

實例：處理 1000 個政府採購案件的保證金計算

# 傳統作法：逐筆呼叫 LLM (1000 次 API 呼叫)
for case in *.json; do
  curl -X POST llm-api --data "@$case"
done

# 平行管線法：僅關鍵決策呼叫 LLM
cat cases.json | \
  jq -r '.[] | "\(.id),\(.amount)"' | \
  parallel --pipe --block 10M \
    'python calculate.py | grep "複雜案件"' | \
  xargs -I {} curl -X POST llm-api --data "{}"

# 結果：僅 50 個複雜案件需要 LLM，節省 95% API 呼叫

四、融合優勢：MCP 動態管線法

結合兩者優勢，建立「模板優先 + 動態生成」的智慧工作流程：

完整執行流程

1. 使用者提問：「計算這 500 筆採購案的保證金，標記異常案件」
2. 檢驗模板庫：搜尋是否有「採購保證金批次處理」模板
3. 有模板 → 直接執行：載入模板快速處理，節省 LLM tokens
4. 無模板 → MCP 動態生成：
   • 漸進揭露：讀取 ./servers/procurement/ 相關工具
   • LLM 撰寫 Unix pipe + parallel 腳本
   • 執行腳本：cat cases.json | parallel calculate | grep abnormal
5. LLM 最終驗證：彙整結果，檢查是否符合業務邏輯
6. 通過試煉：將腳本與地雷經驗儲存為模板 ./templates/procurement-batch.sh
7. 日後複用：下次相同任務直接使用模板，效率提升 10 倍

五、關鍵技術優勢總結

六、實戰應用場景

政府採購案件批次審查

• 任務：審查 1000 筆採購案是否符合政府採購法
• 傳統 MCP：150K tokens × 1000 = 1.5 億 tokens
• MCP 動態管線法：
  • 首次執行：生成批次審查腳本 (2K tokens)
  • 平行處理：parallel --jobs 20 python validate.py
  • 僅 50 筆異常案件需 LLM 人工判斷 (2K × 50 = 100K tokens)
  • 總計 102K tokens，節省 99.3%
• 儲存模板：日後採購審查直接使用模板，僅需 100K tokens

多來源資料整合與匿名化

• 任務：從 Google Sheets 提取資料，匿名化後寫入 Salesforce
• MCP Code Execution：中間資料不經過 LLM context，保護隱私
• Unix Pipe：fetch_sheets | anonymize | upload_salesforce
• 效益：敏感資料（email、電話）全程不進入模型 context

七、實作建議

建立 MCP 工具目錄結構

./servers/
├── procurement/
│   ├── calculate.ts      # 保證金計算
│   ├── validate.ts       # 法規驗證
│   └── classify.ts       # 案件分類
├── data/
│   ├── fetch_sheets.ts   # Google Sheets
│   ├── anonymize.ts      # 資料匿名化
│   └── upload_crm.ts     # CRM 上傳
└── llm/
    └── summarize.ts      # 智慧彙整

建立管線模板庫

./templates/
├── procurement-batch.sh       # 採購批次處理
├── data-integration.sh        # 資料整合管線
└── anomaly-detection.sh       # 異常偵測管線

# 每個模板包含：
# 1. 管線腳本
# 2. 地雷經驗文件
# 3. 使用說明與適用場景

設計驗證機制

# 在管線中加入 LLM 驗證節點
cat results.json | \
  jq '.[] | select(.confidence < 0.8)' | \
  llm-verify --prompt "檢查此採購案是否異常" | \
  tee verification.log

結語

MCP 動態管線法代表 Agentic AI 工作流程的範式轉移：從「所有任務都過 LLM」轉變為「管線主導 + LLM 智慧點綴」。

透過漸進揭露與程式碼執行，我們實現 98% tokens 節省；透過 Unix Pipe 與模板化，我們建立可重複運用的知識資產。這不僅是技術優化，更是政府級 AI 系統邁向可持續性、可擴展性的關鍵架構。

「最好的程式碼是不需要寫的程式碼；最好的 LLM 呼叫是不需要的呼叫。」
— Unix 哲學 + MCP 動態管線法