Codeausführung mit MCP: Ein neuer Ansatz für die Effizienz von KI-Agenten

Anthropic hat eine Methode eingeführt, bei der KI-Agenten mit Model Context Protocol (MCP) -Servern interagieren, indem sie ausführbaren Code schreiben, anstatt direkte Aufrufe an Tools zu tätigen. Der Agent behandelt Tools wie Dateien auf einem Computer, findet, was er benötigt, und verwendet sie direkt mit Code, sodass Zwischendaten nicht durch den Speicher des Modells laufen müssen. Wir haben diesen Ansatz getestet, um zu sehen, ob er die Token-Kosten reduziert und gleichzeitig die gleiche Erfolgsquote beibehält.

Codeausführung mit MCP vs. regulärem MCP

Wir haben zwei Ansätze für die Entwicklung von KI-Agenten verglichen, die über MCP mit externen Tools interagieren:

• Reguläres MCP: Traditioneller Ansatz, bei dem alle Tool-Definitionen in das Kontextfenster des Modells geladen werden
• Codeausführung mit MCP: Neuartiger Ansatz, bei dem das Modell Code schreibt, der Tools aufruft, wodurch Zwischendaten aus dem Kontext herausgehalten werden

Verwendete Tools

Dieser Benchmark wurde unter Verwendung des Bright Data-MCP-Servers im Pro-Modus durchgeführt, da dieser in unserem Browser-MCP-Benchmark die höchste Genauigkeit aufwies.

Wichtigste Erkenntnisse

Einsparungen bei Eingabe-Tokens: Die Codeausführung verbraucht 78,5 % weniger Eingabe-Tokens (165K vs. 771K):

• Regulär lädt ~15.400 Tokens an Tool-Definitionen pro Aufruf
• Codeausführung benötigt nur ~3.300 Tokens pro Aufruf

Höhere Ausgabe-Tokens: Der Codeausführungs-Ansatz verbraucht 2.2× mehr Ausgabe-Tokens, da das Modell Code + Erklärungen schreibt

Netto-Token-Einsparungen: 77,4 % gesamte Token-Reduktion (175K vs. 775K)

Kostenauswirkung:

• Eingabe-Tokens sind in der Regel günstiger als Ausgabe-Tokens
• Aber 78 % Eingabe-Einsparungen überwiegen den 2×-Anstieg der Ausgabe bei Weitem
• Geschätzte ~70 % Kostensenkung bei Codeausführung

Beide erreichten 100 % Erfolgsquote bei diesen Abfragen mit GPT-4.1.

Der Codeausführungs-Ansatz ist durch Anthropics Post über die Nutzung von Codeausführung mit MCP inspiriert, um die Kontextfensternutzung zu reduzieren und gleichzeitig die Agentenfähigkeit zu erhalten.¹

Methodik des Vergleichs von Codeausführung mit MCP

Aufgaben

Wir führten jede Aufgabe 50 Mal für jeden Ansatz aus:

• Gehe zu https://aimultiple.com/open-source-embedding-models, nenne mir die perfekten Top-5-Performer (d. h. die Modelle mit 100 % Top-5-Genauigkeit)
• Gehe zu https://aimultiple.com/open-source-embedding-models, nenne mir, welches Modell die höchste Latenz hat.

Vergleichsaufbau

Für beide Ansätze verwendeten wir den Bright Data-MCP-Server im Pro-Modus sowie GPT-4.1 als LLM, aufgrund seines großen Kontextfensters.

Umgebungseinrichtung: Wir haben alle zwischengespeicherten Daten gelöscht und pro Durchlauf eine frische MCP-Serververbindung sichergestellt. Jede Abfrage wird als separater Subprozess ausgeführt.

Architekturvergleich

Reguläre MCP-Architektur

Beim regulären MCP-Ansatz folgt der Agent einem einfachen Ablauf: Die Benutzerabfrage gelangt in einen LangGraph ReAct Agent, der in seinem Kontextfenster Zugriff auf alle 63 Tool-Definitionen hat. Der Agent wählt Tools über die MCP-Client-Sitzung aus und ruft sie auf, und die Tool-Ergebnisse fließen zur Information der nächsten Aktion des Agenten durch das Kontextfenster zurück.

Codeausführungs-MCP-Architektur

Der Codeausführungs-Ansatz fügt eine Zwischenschicht hinzu: Die Benutzerabfrage geht an einen Codeausführungs-Agenten mit kompaktem Kontext (nur Tool-Namen, keine vollständigen Schemas). Der Agent schreibt Python-Code, der Tools aufruft. Dieser Code wird in einer abgeschotteten Code-Executor-Umgebung ausgeführt, die mit der MCP-Client-Sitzung kommuniziert. Nur die Endergebnisse oder Zusammenfassungen gelangen zurück in den Kontext des Agenten, nicht die rohen Zwischendaten.

Die Codeausführungs-Implementierung verwendet progressive Offenlegung. Nur Tool-Namen und gekürzte Beschreibungen (60 Zeichen) werden in den System-Prompt aufgenommen. Wenn das Modell ein Tool verwenden muss, schreibt es Python-Code, der eine asynchrone call_tool()-Funktion aufruft, die in der Ausführungsumgebung bereitgestellt wird.

Einschränkungen unseres Ansatzes

1. Abfragevielfalt: Nur 2 Abfragetypen getestet; die Ergebnisse können bei anderen Aufgabentypen abweichen.
2. Einzelnes Modell: Nur mit GPT-4.1 getestet; andere Modelle können andere Muster zeigen
3. Codequalität: Der Erfolg der Codeausführung hängt von der Codegenerierungsfähigkeit des Modells ab; dies kann bei komplizierteren Aufgaben zu einer geringeren Erfolgsquote führen.

Warum traditionelles MCP Ressourcen verschwendet

Problem 1: Tool-Definitionen verbrauchen übermäßig viel Kontext

Jedes Tool benötigt Anweisungen im Speicher des Modells. Ein einfaches Beispiel:

gdrive.getDocument
Gets a file from Google Drive
Needs: document ID
Returns: the file content

Beispiel: Ein Agent, der mit 50 Servern mit jeweils 20 Tools verbunden ist, bedeutet 1.000 Tool-Definitionen. Bei etwa 150 Tokens pro Definition sind das 150.000 Tokens, die verbraucht werden, bevor der Agent Ihre erste Anfrage liest.

Problem 2: Daten werden mehrfach verarbeitet

Aufgabe: „Meine Besprechungsnotizen von Google Drive abrufen und zu Salesforce hinzufügen.“

Was passiert:

1. Agent erhält das Dokument (50.000 Tokens)
2. Das Modell liest es
3. Agent sendet es an Salesforce (weitere 50.000 Tokens)

Das Modell verarbeitet 100.000+ Tokens, um Daten von einem Ort zum anderen zu verschieben.
Herkömmliche MCP-Implementierungen erfordern, dass das Modell Tools aus JSONSchema-Definitionen auswählt, die in das Kontextfenster geladen werden, was die Genauigkeit mit steigender Tool-Anzahl verschlechtert.¹ Die Forschung hat bestätigt, dass die Erfolgsquoten von Aufgaben stark sinken, wenn die Zahl der verfügbaren Tools zunimmt, da der Kontext durch Schema-Definitionen überflutet wird.² Wenn MCP-Tools als aufrufbare Funktionen bereitgestellt werden und das Modell Python-Code schreiben darf, der Tools direkt aufruft, wird die vorhandene Codegenerierungsfähigkeit des Modells genutzt, statt die Auswahl aus vordefinierten Schemas zu erzwingen.

Wann sollte Codeausführung mit MCP verwendet werden?

Codeausführung mit MCP behebt zwei grundlegende Ineffizienzen in herkömmlichen MCP-Implementierungen:

1. Tool-Definitionen überladen das Kontextfenster nicht mehr
2. Zwischendaten fließen nicht mehr unnötig durch das Modell

Der Ansatz funktioniert am besten, wenn:

• Sie viele MCP-Tools verbunden haben
• Ihre Workflows mehrstufige Datenverarbeitung umfassen
• Große Dokumente oder Datasets zwischen Tools bewegt werden
• Kontextfensterlimits Ihre Agenten beeinträchtigen

Die Infrastrukturanforderungen bedeuten, dass dies nicht automatisch für alle Anwendungsfälle besser ist. Kleine Bereitstellungen mit wenigen Tools rechtfertigen möglicherweise nicht die operative Komplexität.

Für Unternehmen, die bereits Agenten mit umfangreichen MCP-Tool-Katalogen betreiben, ist dieser Ansatz angesichts des Potenzials für 98 %+ Token-Reduktion und entsprechende Kosteneinsparungen eine Untersuchung wert.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Alternative Frameworks und Protokolle

Teams, die eine von ihrem Agenten-Framework getrennte Codeausführungsschicht wünschen, können eigenständige Sandbox-Dienste wie CoreWeave Sandboxes nutzen, die Python- und TypeScript-SDKs bieten und es Ihnen ermöglichen, den ausgehenden Zugriff jeder Sandbox nach IP-Adresse, Port und HTTPS-Hostname zu beschränken.³ Im April 2026 hat OpenAI sein Agents SDK aktualisiert, um native Sandbox-Ausführungsfunktionen hinzuzufügen, die isolierte Arbeitsbereiche mit eingeschränktem Datei- und Codezugriff bereitstellen.⁴

Zitieren Sie diesen Benchmark

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{alper2026,
  author = {Alper, Şevval},
  title  = {{Codeausführung mit MCP: Ein neuer Ansatz für die Effizienz von KI-Agenten}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/code-execution-with-mcp}},
  note   = {AIMultiple. Abgerufen am 16. Oktober 2026}
}

Änderungsprotokoll

2 Aktualisierungen

20262025

1. 22. Jan

   Der Abschnitt „Vergleich: UTCP vs MCP vs Code Execution MCP“ wurde entfernt.

Referenzlinks

1.

Code execution with MCP for efficient agents \ Anthropic

Anthropic

2.

Semantic Tool Discovery for Large Language Models: A Vector-Based Approach to MCP Tool Selection

3.

CoreWeave Sandboxes | CoreWeave Forge

4.

OpenAI updates its Agents SDK to help enterprises build safer, more capable agents | TechCrunch

TechCrunch

Şevval Alper

KI-Forscherin

Folgen auf

Şevval ist KI-Forscherin bei AIMultiple. Sie hat bereits Forschungserfahrung in der Erzeugung von Pseudozufallszahlen mithilfe chaotischer Systeme.
Şevval konzentriert sich auf KI-Programmierwerkzeuge, KI-Agenten und Quantentechnologien.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten