Ejecución de Código con MCP: Un Nuevo Enfoque para la Eficiencia de Agentes de IA

con

actualizado el 24 de jun. de 2026

Anthropic presentó un método en el que los agentes de IA interactúan con servidores de Model Context Protocol (MCP) escribiendo código ejecutable en lugar de realizar llamadas directas a herramientas. El agente trata las herramientas como archivos en una computadora, encuentra lo que necesita y las usa directamente con código, por lo que los datos intermedios no tienen que pasar por la memoria del modelo. Probamos este enfoque para ver si reduce el costo de tokens manteniendo la misma tasa de éxito.

Ejecución de código con MCP frente a MCP regular

Métrica	MCP Regular	MCP con Ejecución de Código	Diferencia
Tasa de Éxito	100%	100%	Igual
Latencia Promedio	9.66s	10.37s	+7%
Tokens de Entrada Promedio	15,417	3,310	-78.5%
Tokens de Salida Promedio	87	192	+120%
Total de Tokens de Entrada	770,852	165,496	-78.5%
Total de Tokens de Salida	4,345	9,585	+120%
Total de Todos los Tokens	775,197	175,081	-77.4%

Comparamos dos enfoques para construir agentes de IA que interactúan con herramientas externas a través de MCP:

MCP Regular: Enfoque tradicional donde todas las definiciones de herramientas se cargan en la ventana de contexto del modelo
MCP con Ejecución de Código: Enfoque novedoso donde el modelo escribe código que llama a herramientas, manteniendo los datos intermedios fuera del contexto

Hallazgos clave

Ahorro en tokens de entrada: La ejecución de código utiliza un 78.5% menos de tokens de entrada (165K vs 771K):

El método regular carga ~15,400 tokens de definiciones de herramientas por llamada
La ejecución de código solo necesita ~3,300 tokens por llamada

Mayores tokens de salida: El enfoque de ejecución de código utiliza 2.2× más tokens de salida porque el modelo escribe código + explicaciones

Ahorro neto de tokens: 77.4% de reducción total de tokens (175K vs 775K)

Implicación de costos:

Los tokens de entrada suelen ser más baratos que los tokens de salida
Pero el 78% de ahorro en entrada supera con creces el aumento 2× en salida
Se estima una reducción de costos de ~70% con la ejecución de código

Ambos lograron una tasa de éxito del 100% en estas consultas con GPT-4.1.

El enfoque de ejecución de código está inspirado en la publicación de Anthropic sobre el uso de ejecución de código con MCP para reducir el uso de la ventana de contexto manteniendo la capacidad del agente.¹

Metodología de la comparación de ejecución de código con MCP

Tareas

Ejecutamos cada tarea 50 veces para cada enfoque:

Ir a https://aimultiple.com/open-source-embedding-models, indicar los 5 mejores con rendimiento perfecto (es decir, los modelos con 100% de precisión top-5)
Ir a https://aimultiple.com/open-source-embedding-models, indicar qué modelo tiene la latencia más alta.

Configuración de la comparación

Utilizamos el servidor MCP de Bright Data con modo pro habilitado, ya que tuvo la mayor precisión en nuestro benchmark de MCP para navegadores.

Servidor MCP de Bright Data: herramientas de integración web para IA.

Visita el sitio web

Utilizamos GPT-4.1 como el LLM debido a su amplia ventana de contexto.

Configuración del Entorno: Limpiamos cualquier dato en caché y aseguramos una conexión fresca al servidor MCP por ejecución. Cada consulta se ejecuta como un subproceso separado.

Comparación de arquitectura

Arquitectura de MCP regular

En el enfoque de MCP regular, el agente sigue un flujo sencillo: la consulta del usuario entra en un Agente LangGraph ReAct, que tiene acceso a todas las 63 definiciones de herramientas en su ventana de contexto. El agente selecciona y llama a las herramientas a través de la Sesión de Cliente MCP, y los resultados de las herramientas fluyen de vuelta a través de la ventana de contexto para informar la siguiente acción del agente.

Arquitectura de MCP con ejecución de código

El enfoque de ejecución de código añade una capa intermedia: la consulta del usuario va a un Agente de Ejecución de Código con un contexto compacto (solo nombres de herramientas, no esquemas completos). El agente escribe código Python que llama a las herramientas. Este código se ejecuta en un entorno de Ejecutor de Código aislado, que se comunica con la Sesión de Cliente MCP. Solo los resultados finales o resúmenes regresan al contexto del agente, no los datos intermedios sin procesar.

La implementación de ejecución de código utiliza divulgación progresiva. Solo se incluyen los nombres de las herramientas y descripciones truncadas (60 caracteres) en el prompt del sistema. Cuando el modelo necesita usar una herramienta, escribe código Python que llama a una función asíncrona call_tool() proporcionada en el entorno de ejecución.

Limitaciones de nuestro enfoque

Diversidad de consultas: Solo se probaron 2 tipos de consultas; los resultados pueden variar para otros tipos de tareas.
Modelo único: Solo se probó con GPT-4.1; otros modelos pueden mostrar patrones diferentes
Calidad del código: El éxito de la ejecución de código depende de la capacidad de generación de código del modelo, esto puede causar disminuciones en las tasas de éxito en tareas más complicadas.

Por qué el MCP tradicional desperdicia recursos

Problema 1: Las definiciones de herramientas consumen contexto excesivo

Cada herramienta necesita instrucciones en la memoria del modelo. Un ejemplo básico:

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

Ejemplo: Un agente conectado a 50 servidores con 20 herramientas cada uno significa 1,000 definiciones de herramientas. Aproximadamente 150 tokens por definición, eso son 150,000 tokens consumidos antes de que el agente lea su primera solicitud.

Problema 2: Los datos se procesan múltiples veces

Tarea: "Obtener mis notas de reunión de Google Drive y añadirlas a Salesforce."

Lo que sucede:

El agente obtiene el documento (50,000 tokens)
El modelo lo lee
El agente lo envía a Salesforce (otros 50,000 tokens)

El modelo maneja más de 100,000 tokens para mover datos de un lugar a otro.
Las implementaciones tradicionales de MCP requieren que el modelo seleccione herramientas de definiciones JSONSchema cargadas en la ventana de contexto, lo que degrada la precisión a medida que aumenta el número de herramientas.² La investigación ha confirmado que las tasas de éxito de las tareas disminuyen drásticamente a medida que crece el número de herramientas disponibles debido a la saturación del contexto por las definiciones de esquema.³ Exponer las herramientas MCP como funciones invocables y permitir que el modelo escriba código Python que invoque herramientas directamente aprovecha la capacidad existente de generación de código del modelo en lugar de forzar la selección de esquemas predefinidos.

Descubre más de nuestros análisis comparativos e insights basados en datos en la Búsqueda de Google.

Añadir como fuente preferida

¿Cuándo usar la ejecución de código con MCP?

La ejecución de código con MCP aborda dos ineficiencias fundamentales en las implementaciones tradicionales de MCP:

Las definiciones de herramientas ya no saturan la ventana de contexto
Los datos intermedios dejan de fluir innecesariamente a través del modelo

El enfoque funciona mejor cuando:

Tiene muchas herramientas MCP conectadas
Sus flujos de trabajo implican procesamiento de datos de múltiples pasos
Documentos o datasets grandes se mueven entre herramientas
Los límites de la ventana de contexto afectan a sus agentes

Los requisitos de infraestructura significan que esto no es automáticamente mejor para todos los casos de uso. Despliegues a pequeña escala con pocas herramientas podrían no justificar la complejidad operativa.

Para organizaciones que ya ejecutan agentes con catálogos extensos de herramientas MCP, el potencial de reducción de tokens de más del 98% y los correspondientes ahorros de costos hacen que este enfoque valga la pena investigar.

Frameworks y protocolos alternativos

Más allá de LangGraph, el Agent Development Kit (ADK) de Google ofrece soporte nativo para MCP a través de McpToolset y se integra con el protocolo Agent2Agent (A2A), que estandariza la comunicación entre agentes mediante tarjetas de capacidad publicadas en /.well-known/agent-card.json.⁴⁵ En abril de 2026, OpenAI actualizó su Agents SDK para añadir capacidades nativas de ejecución en sandbox, proporcionando espacios de trabajo aislados con acceso restringido a archivos y código.⁶

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

Sena Sezer and Şevval Alper (2026) - "Ejecución de Código con MCP: Un Nuevo Enfoque para la Eficiencia de Agentes de IA". Publicado en línea en AIMultiple.com. Recuperado el 24 de Junio de 2026, de: https://aimultiple.com/code-execution-with-mcp [Recurso en línea]

Sezer, S., & Alper, Ş. (2026, 24 de Junio). Ejecución de Código con MCP: Un Nuevo Enfoque para la Eficiencia de Agentes de IA. AIMultiple. https://aimultiple.com/code-execution-with-mcp

@misc{sezer2026,
  author = {Sezer, Sena and Alper, Şevval},
  title  = {{Ejecución de Código con MCP: Un Nuevo Enfoque para la Eficiencia de Agentes de IA}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/code-execution-with-mcp}},
  note   = {AIMultiple. Recuperado el 24 de Junio de 2026}
}