Code-Ausführung mit MCP: Ein neuer Ansatz für KI-Agenten-Effizienz

mit

aktualisiert am 24. Juni 2026

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 machen. Der Agent behandelt Tools wie Dateien auf einem Computer, findet, was er braucht, und verwendet sie direkt mit Code, sodass Zwischendaten nicht den Speicher des Modells passieren müssen. Wir haben diesen Ansatz getestet, um zu sehen, ob er die Token-Kosten reduziert und gleichzeitig die gleiche Erfolgsquote beibehält.

Code-Ausführung mit MCP vs. reguläres MCP

Metrik	Reguläres MCP	MCP mit Code-Ausführung	Differenz
Erfolgsquote	100%	100%	Gleich
Durchschnittliche Latenz	9.66s	10.37s	+7%
Durchschnittliche Eingabe-Tokens	15,417	3,310	-78.5%
Durchschnittliche Ausgabe-Tokens	87	192	+120%
Gesamte Eingabe-Tokens	770,852	165,496	-78.5%
Gesamte Ausgabe-Tokens	4,345	9,585	+120%
Gesamte Tokens	775,197	175,081	-77.4%

Wir haben zwei Ansätze zur Erstellung von KI-Agenten verglichen, die über das MCP mit externen Tools interagieren:

Reguläres MCP: Traditioneller Ansatz, bei dem alle Tool-Definitionen in das Kontextfenster des Modells geladen werden
Code-Ausführungs-MCP: Neuer Ansatz, bei dem das Modell Code schreibt, der Tools aufruft, und Zwischendaten aus dem Kontext ferngehalten werden

Wesentliche Erkenntnisse

Eingabe-Token-Einsparung: Die Code-Ausführung verbraucht 78.5% weniger Eingabe-Tokens (165K vs. 771K):

Reguläres MCP lädt ~15,400 Tokens an Tool-Definitionen pro Aufruf
Code-Ausführung benötigt nur ~3,300 Tokens pro Aufruf

Höhere Ausgabe-Tokens: Der Code-Ausführungsansatz verbraucht 2.2× mehr Ausgabe-Tokens, weil das Modell Code + Erklärungen schreibt

Netto-Token-Einsparung: 77.4% gesamte Token-Reduktion (175K vs. 775K)

Kostenimplikation:

Eingabe-Tokens sind in der Regel günstiger als Ausgabe-Tokens
Aber die 78%ige Eingabe-Einsparung überwiegt bei weitem den 2-fachen Ausgabe-Anstieg
Geschätzte ~70%ige Kostenreduktion mit Code-Ausführung

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

Der Code-Ausführungsansatz ist inspiriert von Anthropics Beitrag zur Nutzung von Code-Ausführung mit MCP, um die Nutzung des Kontextfensters zu reduzieren und gleichzeitig die Agentenfähigkeiten beizubehalten.¹

Methodik des Vergleichs der Code-Ausführung mit MCP

Aufgaben

Wir führen jede Aufgabe 50 Mal für jeden Ansatz aus:

Gehen Sie zu https://aimultiple.com/open-source-embedding-models und nennen Sie mir die perfekten Top-5-Performer (d.h. die Modelle mit 100%iger Top-5-Genauigkeit).
Gehen Sie zu https://aimultiple.com/open-source-embedding-models und sagen Sie mir, welches Modell die höchste Latenz hat.

Vergleichs-Setup

Wir haben den Bright Data MCP-Server mit aktiviertem Profi-Modus verwendet, da er in unserem Browser-MCP-Benchmark die höchste Genauigkeit aufwies.

Bright Data MCP Server: Web-Integrationstools für KI.

Website besuchen

Wir haben GPT-4.1 als das LLM aufgrund seines großen Kontextfensters verwendet.

Umgebungs-Setup: Wir haben alle zwischengespeicherten Daten gelöscht und bei jedem Durchlauf eine frische MCP-Serververbindung sichergestellt. Jede Abfrage wird als separater Unterprozess ausgeführt.

Architekturvergleich

Reguläre MCP-Architektur

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

Code-Ausführungs-MCP-Architektur

Der Code-Ausführungsansatz fügt eine Zwischenschicht hinzu: Die Benutzerabfrage geht an einen Code Execution Agent mit einem kompakten Kontext (nur Tool-Namen, keine vollständigen Schemas). Der Agent schreibt Python-Code, der Tools aufruft. Dieser Code läuft in einer abgeschotteten Code Executor-Umgebung, die mit der MCP-Client-Sitzung kommuniziert. Nur die endgültigen Ergebnisse oder Zusammenfassungen kehren zum Kontext des Agenten zurück, nicht die rohen Zwischendaten.

Die Code-Ausführungsimplementierung verwendet progressive Offenlegung. Nur Tool-Namen und gekürzte Beschreibungen (60 Zeichen) sind im System-Prompt enthalten. Wenn das Modell ein Tool verwenden muss, schreibt es Python-Code, der eine async call_tool()-Funktion aufruft, die in der Ausführungsumgebung bereitgestellt wird.

Einschränkungen unseres Ansatzes

Abfragevielfalt: Nur 2 Abfragetypen wurden getestet; die Ergebnisse können bei anderen Aufgabentypen variieren.
Einzelnes Modell: Nur mit GPT-4.1 getestet; andere Modelle können andere Muster zeigen
Codequalität: Der Erfolg der Code-Ausführung hängt von der Fähigkeit des Modells zur Codegenerierung ab; dies kann bei komplexeren Aufgaben zu niedrigeren Erfolgsquoten führen.

Warum traditionelles MCP Ressourcen verschwendet

Problem 1: Tool-Definitionen beanspruchen 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 verbunden ist, die jeweils 20 Tools haben, 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 Meeting-Notizen von Google Drive holen und zu Salesforce hinzufügen.“

Was passiert:

Agent holt das Dokument (50,000 Tokens)
Das Modell liest es
Agent sendet es an Salesforce (weitere 50,000 Tokens)

Das Modell verarbeitet über 100,000 Tokens, um Daten von einem Ort zum anderen zu verschieben.
Traditionelle MCP-Implementierungen erfordern, dass das Modell Tools aus JSONSchema-Definitionen auswählt, die in das Kontextfenster geladen werden, was die Genauigkeit mit zunehmender Tool-Anzahl verschlechtert.² Die Forschung hat bestätigt, dass die Aufgabenerfolgsquote stark abnimmt, wenn die Anzahl der verfügbaren Tools aufgrund der Kontextüberflutung durch Schema-Definitionen steigt.³ MCP-Tools als aufrufbare Funktionen bereitzustellen und dem Modell zu erlauben, Python-Code zu schreiben, der Tools direkt aufruft, nutzt die vorhandene Codegenerierungsfähigkeit des Modells, anstatt die Auswahl aus vordefinierten Schemas zu erzwingen.

Entdecken Sie weitere unserer Benchmarks und datengestützten Erkenntnisse in der Google-Suche.

Als bevorzugte Quelle hinzufügen

Wann sollte man Code-Ausführung mit MCP verwenden?

Code-Ausführung mit MCP adressiert zwei grundlegende Ineffizienzen in traditionellen MCP-Implementierungen:

Tool-Definitionen überfüllen nicht mehr das Kontextfenster
Zwischendaten fließen nicht mehr unnötig durch das Modell

Der Ansatz funktioniert am besten, wenn:

Sie viele MCP-Tools angeschlossen haben
Ihre Workflows mehrstufige Datenverarbeitung umfassen
Große Dokumente oder Datensätze zwischen Tools verschoben werden
Kontextfenster-Limits Ihre Agenten beeinträchtigen

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

Für Organisationen, die bereits Agenten mit umfangreichen MCP-Tool-Katalogen betreiben, ist das Potenzial für eine 98%+ Token-Reduktion und entsprechende Kosteneinsparungen ein Ansatz, den es sich zu untersuchen lohnt.

Alternative Frameworks und Protokolle

Über LangGraph hinaus bietet das Google Agent Development Kit (ADK) native MCP-Unterstützung über McpToolset und integriert das Agent2Agent (A2A)-Protokoll, das die Agent-zu-Agent-Kommunikation über Capability Cards standardisiert, die unter /.well-known/agent-card.json verfügbar sind.⁴⁵ Im April 2026 hat OpenAI sein Agents SDK aktualisiert, um native Sandbox-Ausführungsfunktionen hinzuzufügen, die isolierte Arbeitsbereiche mit eingeschränktem Datei- und Codezugriff bieten.⁶

Diese Forschung zitieren

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

Sena Sezer and Şevval Alper (2026) - "Code-Ausführung mit MCP: Ein neuer Ansatz für KI-Agenten-Effizienz". Online veröffentlicht auf AIMultiple.com. Abgerufen am 24. Juni 2026, von: https://aimultiple.com/code-execution-with-mcp [Online-Ressource]

Sezer, S., & Alper, Ş. (2026, 24. Juni). Code-Ausführung mit MCP: Ein neuer Ansatz für KI-Agenten-Effizienz. AIMultiple. https://aimultiple.com/code-execution-with-mcp

@misc{sezer2026,
  author = {Sezer, Sena and Alper, Şevval},
  title  = {{Code-Ausführung mit MCP: Ein neuer Ansatz für KI-Agenten-Effizienz}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/code-execution-with-mcp}},
  note   = {AIMultiple. Abgerufen am 24. Juni 2026}
}