Esecuzione di codice con MCP: un nuovo approccio all'efficienza degli agenti IA

Anthropic ha introdotto un metodo in cui gli agenti IA interagiscono con i server Model Context Protocol (MCP) scrivendo codice eseguibile anziché effettuare chiamate dirette agli strumenti. L'agente tratta gli strumenti come file su un computer, trova ciò di cui ha bisogno e li utilizza direttamente con il codice, in modo che i dati intermedi non debbano passare attraverso la memoria del modello. Abbiamo testato questo approccio per verificare se riduce il costo dei token mantenendo lo stesso tasso di successo.

Esecuzione di codice con MCP rispetto al normale MCP

Abbiamo confrontato due approcci per costruire agenti IA che interagiscono con strumenti esterni tramite MCP:

• MCP normale: Approccio tradizionale in cui tutte le definizioni degli strumenti vengono caricate nella finestra di contesto del modello
• Esecuzione di codice MCP: Approccio innovativo in cui il modello scrive codice che chiama gli strumenti, mantenendo i dati intermedi fuori dal contesto

Risultati principali

Risparmio sui token di input: L'esecuzione di codice utilizza il 78,5% in meno di token di input (165K contro 771K):

• Il normale carica circa 15.400 token di definizioni degli strumenti per chiamata
• L'esecuzione di codice necessita solo di circa 3.300 token per chiamata

Token di output più elevati: L'approccio con esecuzione di codice utilizza 2,2× più token di output perché il modello scrive codice + spiegazioni

Risparmio netto di token: riduzione totale dei token del 77,4% (175K contro 775K)

Implicazioni sui costi:

• I token di input sono generalmente più economici dei token di output
• Ma il risparmio del 78% sull'input supera di gran lunga l'aumento di 2× dell'output
• Stima di una riduzione dei costi di circa il 70% con l'esecuzione di codice

Entrambi hanno raggiunto un tasso di successo del 100% su queste query con GPT-4.1.

L'approccio di esecuzione del codice è ispirato al post di Anthropic sull'uso dell'esecuzione di codice con MCP per ridurre l'utilizzo della finestra di contesto mantenendo le capacità dell'agente.¹

Metodologia del confronto dell'esecuzione di codice con MCP

Compiti

Eseguiamo ogni compito 50 volte per ciascun approccio:

• Vai su https://aimultiple.com/open-source-embedding-models, indicami i 5 migliori performer perfetti (ovvero i modelli con un'accuratezza top-5 del 100%)
• Vai su https://aimultiple.com/open-source-embedding-models, indicami quale modello ha la latenza più alta.

Configurazione del confronto

Abbiamo utilizzato il server MCP di Bright Data con modalità pro abilitata, poiché aveva la massima accuratezza nel nostro benchmark MCP per browser.

Abbiamo usato GPT-4.1 come LLM grazie alla sua ampia finestra di contesto.

Configurazione dell'ambiente: Abbiamo cancellato tutti i dati memorizzati nella cache e assicurato una nuova connessione al server MCP per ogni esecuzione. Ogni query viene eseguita come un sottoprocesso separato.

Confronto dell'architettura

Architettura MCP normale

Nell'approccio MCP normale, l'agente segue un flusso lineare: la query dell'utente entra in un agente LangGraph ReAct, che ha accesso a tutte le 63 definizioni degli strumenti nella sua finestra di contesto. L'agente seleziona e chiama gli strumenti tramite la sessione client MCP, e i risultati degli strumenti tornano attraverso la finestra di contesto per informare l'azione successiva dell'agente.

Architettura di esecuzione di codice MCP

L'approccio di esecuzione di codice aggiunge un livello intermedio: la query dell'utente va a un agente di esecuzione di codice con un contesto compatto (solo i nomi degli strumenti, non gli schemi completi). L'agente scrive codice Python che chiama gli strumenti. Questo codice viene eseguito in un ambiente di esecuzione di codice sandbox, che comunica con la sessione client MCP. Solo i risultati finali o i riassunti tornano al contesto dell'agente, non i dati intermedi grezzi.

L'implementazione dell'esecuzione di codice utilizza la divulgazione progressiva. Nel prompt di sistema sono inclusi solo i nomi degli strumenti e descrizioni troncate (60 caratteri). Quando il modello deve usare uno strumento, scrive codice Python che chiama una funzione asincrona call_tool() fornita nell'ambiente di esecuzione.

Limitazioni del nostro approccio

1. Diversità delle query: Solo 2 tipi di query testati; i risultati possono variare per altri tipi di compiti.
2. Modello singolo: Testato solo con GPT-4.1; altri modelli potrebbero mostrare schemi diversi
3. Qualità del codice: Il successo dell'esecuzione di codice dipende dalla capacità di generazione di codice del modello, ciò potrebbe causare diminuzioni dei tassi di successo in compiti più complicati.

Perché l'MCP tradizionale spreca risorse

Problema 1: Le definizioni degli strumenti consumano contesto eccessivo

Ogni strumento ha bisogno di istruzioni nella memoria del modello. Un esempio base:

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

Esempio: Un agente connesso a 50 server con 20 strumenti ciascuno significa 1.000 definizioni di strumenti. A circa 150 token per definizione, sono 150.000 token consumati prima che l'agente legga la tua prima richiesta.

Problema 2: I dati vengono elaborati più volte

Compito: “Prendi i miei appunti dalla riunione da Google Drive e aggiungili a Salesforce.”

Cosa succede:

1. L'agente ottiene il documento (50.000 token)
2. Il modello lo legge
3. L'agente lo invia a Salesforce (altri 50.000 token)

Il modello gestisce oltre 100.000 token per spostare dati da un posto all'altro.
Le implementazioni tradizionali di MCP richiedono al modello di selezionare gli strumenti dalle definizioni JSONSchema caricate nella finestra di contesto, il che degrada l'accuratezza all'aumentare del numero di strumenti.² La ricerca ha confermato che i tassi di successo dei compiti diminuiscono drasticamente man mano che il numero di strumenti disponibili cresce a causa dell'inondazione del contesto dalle definizioni dello schema.³ Esporre gli strumenti MCP come funzioni richiamabili e consentire al modello di scrivere codice Python che invoca gli strumenti direttamente sfrutta la capacità esistente di generazione di codice del modello piuttosto che forzare la selezione da schemi predefiniti.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

Quando usare l'esecuzione di codice con MCP?

L'esecuzione di codice con MCP affronta due inefficienze fondamentali nelle implementazioni tradizionali di MCP:

1. Le definizioni degli strumenti non affollano più la finestra di contesto
2. I dati intermedi smettono di fluire attraverso il modello inutilmente

L'approccio funziona meglio quando:

• Hai molti strumenti MCP collegati
• I tuoi flussi di lavoro coinvolgono l'elaborazione di dati in più fasi
• Grandi documenti o dataset si spostano tra gli strumenti
• I limiti della finestra di contesto influenzano i tuoi agenti

I requisiti infrastrutturali significano che questo non è automaticamente migliore per tutti i casi d'uso. Implementazioni su piccola scala con pochi strumenti potrebbero non giustificare la complessità operativa.

Per le organizzazioni che già eseguono agenti con cataloghi estesi di strumenti MCP, il potenziale di una riduzione dei token superiore al 98% e i corrispondenti risparmi sui costi rendono questo approccio degno di indagine.

Framework e protocolli alternativi

Oltre a LangGraph, l'Agent Development Kit (ADK) di Google offre supporto nativo per MCP tramite McpToolset e si integra con il protocollo Agent2Agent (A2A), che standardizza la comunicazione tra agenti tramite schede di capacità pubblicate su /.well-known/agent-card.json.^{4 5} Nell'aprile 2026, OpenAI ha aggiornato il suo Agents SDK per aggiungere funzionalità native di esecuzione sandbox, fornendo spazi di lavoro isolati con accesso ristretto a file e codice.⁶

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{sezer2026,
  author = {Sezer, Sena and Alper, Şevval},
  title  = {{Esecuzione di codice con MCP: un nuovo approccio all'efficienza degli agenti IA}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/code-execution-with-mcp}},
  note   = {AIMultiple. Consultato il 24 Giugno 2026}
}

Collegamenti di riferimento

1.

Code execution with MCP: building more efficient AI agents \ Anthropic

2.

Code execution with MCP: building more efficient AI agents \ Anthropic

3.

https://arxiv.org/pdf/2603.20313

4.

Developer’s Guide to AI Agent Protocols - Google Developers Blog

5.

MCP tools - Agent Development Kit (ADK)

6.

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

TechCrunch

Sena Sezer

Analista di settore

Segui

Sena è un'analista di settore presso AIMultiple. Ha conseguito la laurea triennale presso l'Università di Bogazici.

Visualizza il profilo completo

Ricercato da

Şevval Alper

Ricercatore di intelligenza artificiale

Segui

Şevval è un analista di settore di AIMultiple specializzato in strumenti di programmazione per l'IA, agenti di IA e tecnologie quantistiche.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento