手机上那个网站做农产品推广比较好wordpress开发框架

手机上那个网站做农产品推广比较好,wordpress开发框架,linux网站管理面板,wordpress 常用钩子LLMs之MCP#xff1a;用代码调用 MCP(MCP Code Execution)—用执行环境让 AI 代理更高效(用代码执行解决 MCP 的上下文成本问题)—减少 token、提升隐私与可复用性的实战方案(用执行环境和技能库扩展 MCP 代理能力) 导读#xff1a;Anthropic 介绍了把 MCP#xff08;Model…LLMs之MCP用代码调用 MCP(MCP Code Execution)—用执行环境让 AI 代理更高效(用代码执行解决 MCP 的上下文成本问题)—减少 token、提升隐私与可复用性的实战方案(用执行环境和技能库扩展 MCP 代理能力)导读Anthropic 介绍了把 MCPModel Context Protocol服务器 以代码 API 的形式呈现给智能代理agent让 agent 在受控的执行环境中运行代码以调用工具从而大幅减少模型上下文token消耗、提高效率并带来隐私、状态管理等额外好处。这篇论文深入探讨了AI Agent与外部系统通过MCP(模型上下文协议交互时传统直接工具调用所带来的效率低下问题主要获取工具定义和中间结果对上下文的消耗。为了解决这些痛点文章提出了一种创新的“代码执行与MCP”解决方案。该方案的核心思想是MCP服务器认为调用代理编写代码调用的API从而使代理能够插入加载工具、在独立的执行环境中处理数据。带来了带宽优势包括显着的链路上下文效率通过间歇加载、高效处理中间结果和强大的控制流、增强数据隐私保护通过中间结果隔离和敏感数据代币化以及实现持久状态化和构建可重用技能。强调大语言论文模型熟练编写代码开发者应充分利用这种能力。代码执行引入了对安全执行环境的需求和额外的运维考量但其在降低令牌成本、减少延迟和优化工具组合方面的巨大潜力从而成为构建更高效、更智能的 AI 代理的关键路径。背景痛点●工具需求过量下游事件大多数MCP客户端将所有工具需求前期加载到模型的下游空间中导致工具描述占用大量下游空间增加了响应时间和成本。当连接到数百上千个工具时模型在处理请求前可能需要处理全部数千个节点。●中间工具结果消耗额外令牌传统的MCP客户端允许模型直接调用工具中间结果如大型文档或复杂数据结构都必须通过模型。这不仅会消耗大量额外令牌例如一个2小时的会议记录可能需要处理50,000个额外令牌还可能超出上限窗口限制并增加模型在复制数据时出错的可能性。具体的解决方案●通过代码执行提升MCP效率解决方案是利用代码环境执行将MCP服务器提交为代码API而不是直接的工具调用。代理可以编写代码来与MCP服务器交互。●介入和环境内部处理这种方法允许代理只加载其任务所需的工具定义并在执行环境中处理数据然后才将最终结果提交回模型。核心思路步骤●文件系统工具发现代理通过探索文件系统来发现工具。例如生成一个包含所有连接的MCP服务器工具的文件树如servers/google-drive/getDocument.ts代理可以排序式目录来找到可用的服务器然后指定读取的工具文件以理解其接口从而进行加载定义。●代码编写与执行代理生成并执行代码来调用其MCP工具。例如通过import语句引入特定服务器的工具模块然后像调用普通函数一样调用工具并在执行环境中处理数据流。●可选的搜索工具机制可以添加一个search_tools工具让代理能够搜索并发现的工具定义并支持指定程度详细参数如仅名称、名称和描述、或完整定义进一步节省上下文。●显着的令牌节省通过这种方式令牌相关使用量可以从 150,000 个减少到 2,000 个节省高达 98.7% 的时间和成本。优势(1)、上下文效率●接续加载工具渐进式披露模型能够像导航文件系统一样读取读取工具定义而不是预先加载所有定义从而有效节省上下文。●高效处理中间工具结果代理可以在环境执行中对大型数据集进行过滤、转换和聚合只将处理后的相关结果传递给模型避免了将大量原始数据加载到下游窗口。●更强大上下文的高效控制流程代理可以使用熟悉的编程模式如循环、条件语句、而不是错误处理来执行复杂逻辑是通过模型反复调用工具和等待。这不仅提高了效率还减少了“第一个令牌时间”的延迟。(2)、隐私保护默认操作●中间结果隔离中间结果保留在执行环境中代理只看到明确的记录或返回的数据。这意味着不希望与模型共享的数据可以在工作流中流动而进入模型的下游。●敏感数据代币化 MCP客户端可以在数据到达模型拦截并自动对个人身份信息PII之前进行代币化处理。真实数据仅在MCP工具调用之间流动从不通过模型从而防止代理意外记录或处理敏感数据并可以定义确定的安全规则。(3)、状态持久化和技能●跨操作状态维护代理可以通过将结果写入文件系统来维持状态从而能够恢复工作和跟踪进度。●可重用中间技能构建代理可以将已开发的工作代码保存为可重用函数即“技能”并通过添加SKILL.md文件来创建格式化的技能。这使得代理能够随着时间构建更高级别的工具箱。论文的一些和结论观点●核心洞察大型语言模型熟练编写代码开发者应利用这一优势来构建更高效地与MCP服务器交互的代理。●权衡与考量代码执行虽然带来了显着的优势但也带来了自身的复杂性。它需要一个安全的执行环境包括适当的沙盒、资源和监控这增加了操作开销和安全考量。在实施时需权衡其带来的好处降低令牌、成本减少延迟、改进工具组合与这些成本实现。●工程文献尽管上下文管理、工具组合和状态持久化等问题在代理领域呈现新颖但它们在软件工程中已有成熟的解决方案。代码执行是将这些既定模式排序代理从而能够更有效地利用熟悉的编程结构与MCP服务器交互。系统化落地建议●概念验证1–2 周在 dev 环境实现一个简单的 servers/ 文件结构与 callMCPTool 封装比较“全部定义放上下文”与“代码执行”两种方式的 token 用量与响应时延。●按需加载与 search_tools实现 search_tools 接口支持 name / namedesc / full schema 三档并让 agent 优先用最低 detail 级别查找。●数据治理建立 PII tokenization/untokenization 模块并在执行环境中强制使用。●安全与运行时控制为执行环境实现 sandbox容器 资源配额与审计日志限制外部网络访问做静态/动态检测。●技能库与复用让 agent 能把成功的脚本/函数保存为 skill带 SKILL.md并建立 review 流程以审查并批准进入通用技能库。● 监控与成本分析对每次 agent 运行记录 token 用量、时间开销与对外调用次数用数据来判断何时切换更多逻辑到执行环境或反向迁移以节省成本。目录《Code execution with MCP: Building more efficient agents》翻译与解读1、导言 / 背景Intro MCP 简介核心要点经验 / 实践技巧2、问题细化过度的 token 消耗Two patterns核心要点经验 / 实践技巧3、解决方案核心把 MCP 当作代码 APICode execution with MCP核心要点经验 / 实践技巧4、好处详解Benefits核心要点经验 / 实践技巧5、风险与运维考量Complexity / Security核心要点经验 / 实践技巧6、总结Article Summary核心要点《Code execution with MCP: Building more efficient agents》翻译与解读地址博客文章https://www.anthropic.com/engineering/code-execution-with-mcp时间2025年11月4日作者Anthropic1、导言 / 背景Intro MCP 简介文章开头点明问题直接把工具定义和每次工具调用的返回都放入模型上下文会随着接入工具数量和数据规模线性甚至指数增加 token消耗与延迟。介绍 MCP作为连接 agent 与外部工具/数据的开放标准以及该协议的快速采用背景。核心要点MCP 是统一协议只需在 agent 端实现一次MCP 接口即能利用生态中已有的 MCP server / SDK避免对每对工具-代理做单独集成。规模问题凸显随着数百、数千工具与服务器被接入若把所有工具定义 upfront 注入模型上下文会导致模型在读取用户请求前就先“吞下”大量 token。经验 / 实践技巧在系统设计早期明确使用 MCP或类似通用协议以避免为每个工具单独实现 adapter优先考虑社区/生态成熟的 MCP SDK减少重复工程。对团队做一次“上下文成本token cost”培训让产品经理、工程师理解把定义/结果放进模型上下文的实际金钱与延迟成本。2、问题细化过度的 token 消耗Two patterns明确列出两类会导致agent 低效的常见模式1工具定义在上下文中过载2中间工具结果需要重复通过模型上下文并用实际调用流程举例说明后者如何造成大量重复 token。核心要点工具定义占据大量上下文许多 MCP 客户端将所有工具定义一次性注入模型工具说明名称、参数、返回类型、描述会占用大量 token。中间结果被反复传递agent 在调度多个工具时会把工具返回如整篇会议记录再写回到下一个工具调用的参数中导致相同的大型文本多次出现在上下文中示例一次 2 小时会议记录可能额外产生 50k tokens。错误与上下文限制风险对于超长文档重复流动可能直接超过模型上下文限制并导致中断或错误。经验 / 实践技巧不要一次性加载全部工具定义实现按需加载lazy-load或按文件系统结构组织工具定义见后文示例让 agent只读取当前任务真正需要的接口文档。避免把大型文本原文直接传入模型在需要转移大文本时优先在执行环境代码层做抽取、摘要或字段化处理再将精简结果送回模型。监控并告警 token 消耗在代理运行中对每次对模型的 token 用量打点超过阈值触发审查或降级逻辑。3、解决方案核心把 MCP 当作代码 APICode execution with MCP建议把MCP 资源“映射”为文件系统/代码 API每个工具对应一个文件/函数让 agent 通过生成/运行代码来调用工具、读取定义与处理数据而不是直接把工具说明和调用结果注入模型上下文。这样 agent 可在执行环境里完成数据过滤/聚合/状态管理从而显著降低通过上下文传递的 token。核心要点工具映射为文件/函数示例用 TypeScript 展示 servers/server/tool.ts 的目录结构并把 callMCPTool 封装在函数中调用对应 MCP 接口。该方式让 agent 通过读文件了解工具接口而非预加载所有描述。按需发现工具agent 可以通过列目录或 search_tools 功能查找相关工具文件并只加载需要的工具签名与文档支持不同 detail level仅名、名描述、完整 schema。示例收益量化文章给出一个示例使用此方法将上下文 token 从 ~150,000 降到 ~2,000文章以此说明节省巨大。经验 / 实践技巧实现“工具为代码”目录结构推荐实践servers/server-name/getDocument.ts每个文件导出一个清晰的 async 函数含输入/输出类型。每个 server 顶层 index.ts 做聚合导出便于 agent import * as gdrive from ./servers/google-drive。为 search_tools提供可选详情级别实现 name-only、nameshortDesc、fullSchema 三档agent 根据任务复杂度选择最小必要信息。用自动化脚本定期从 MCP server 生成本地工具文件保持本地代码库与远端 server 定义同步并便于版本化审计。4、好处详解Benefits把 MCP 操作放到代码执行环境带来的主要好处按需加载progressive disclosure、在执行环境中过滤/聚合以节省上下文context-efficient results、更强的控制流loops/conditionals/error handling、隐私保护不把敏感数据暴露给模型、状态持久化与复用技能skills。核心要点Progressive disclosure按需揭露将工具作为文件系统项模型可遍历目录并按需读取减少 upfront token。search_tools 可进一步优化查找效率与信息粒度。Context-efficient tool results在本地过滤与聚合对大表/长文先在执行环境中做过滤、聚合或取样返回给模型的只是精简结果示例对 10,000 行表格只将 5 条示例行展示给模型。更强的控制流循环、等待、重试、条件分支等由代码环境处理例如反复检查 Slack 消息直到出现“部署完成”减少模型往返延迟与 token 费用。隐私/敏感数据治理中间敏感数据可在执行环境中被 tokenized占位符化并在真正需要时由受控客户端解标识避免敏感 PII 流入模型上下文。状态持久化与“技能”积累代码可写入文件系统保存中间结果或实现可复用函数skills帮助 agent 在后续任务中复用已验证逻辑从而提升长期效率与可维护性。经验 / 实践技巧在执行环境实现“数据脱敏 / tokenization”管线所有涉及 PII 的路径默认走 tokenize 流程记录映射表仅在安全环境可查。把经常使用的 task 封装成 skill 文件夹包含 SKILL.md便于 agent 发现并复用现有实现降低重复探索成本。对长任务使用文件级checkpointwrite/read workspace 文件支持失败恢复与审计。对可能无限循环或等待的操作如轮询外部系统设置资源与时间限制并在代码里做退避重试与监控告警。5、风险与运维考量Complexity / Security虽然代码执行带来很多效率与能力上的优势但也引入了运行 agent 生成代码所需的安全运行环境sandboxing、资源配额、监控与审计成本这些是直接工具调用所避免的额外基础设施负担。文章提醒要在权衡利弊后选择实现策略。核心要点沙箱与权限隔离运行未验证的 agent 代码需要严格沙箱CPU/内存/文件访问/网络限制与审计日志。资源限制与监控避免 agent 代码滥用资源或进入无限循环应通过配额、超时和运行时监控控制执行。安全 vs 效率权衡实现代码执行带来复杂性团队需评估是否值得在具体业务场景中承担这份运营成本。经验 / 实践技巧从安全第一的小范围实验开始先在受限的 dev/staging 环境运行 agent-generated 代码逐步扩展到生产在早期就建立审计与回滚流程。强制执行最小权限原则执行环境应默认无外部网络访问、对敏感路径只授予只读/受控写权限。对 agent 生成的代码做静态/动态安全扫描包括依赖审计、沙箱运行时监测异常系统调用等。记录并可追溯每次 agent 的外部调用MCP call与本地文件变更便于事后审计与故障排查。6、总结Article SummaryAnthropic 的核心主张是将 MCP 工具与服务暴露为代码 API 并在受控执行环境中运行agent 生成的代码可以在保证功能丰富性的同时显著降低 token 成本、减少延迟并提供更强的隐私与状态管理能力。文章通过目录化工具、按需加载、在执行环境中过滤/聚合数据、持久化技能等模式给出具体实现与落地建议同时提醒了沙箱与运维方面的额外成本需要被纳入考量。核心要点问题识别把所有工具定义与中间结果直接放入模型上下文会在规模化时爆炸式增加token 消耗与延迟。核心方案把 MCP 资源以文件/函数呈现agent 写并执行代码来调用工具按需加载 在执行环境中处理数据。收益显著文章示例显示上下文 token 可从 ~150k 降到 ~2k节省近 98%同时降低了模型的出错概率与延迟。隐私优势执行环境可 token 化 PII使敏感数据不直接进入模型上下文从而降低泄露风险。注意事项代码执行引入沙箱/监控/资源管理开销需在安全与效率间权衡并逐步推进。