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 Model Context Protocol (MCP) server scrivendo codice eseguibile invece di effettuare chiamate dirette agli strumenti. L'agente tratta gli strumenti come file su un computer, trova ciò di cui ha bisogno e li usa direttamente con il codice, così i dati intermedi non devono passare attraverso la memoria del model. Abbiamo testato questo approccio per vedere se riduce il costo in token mantenendo lo stesso tasso di successo.

Esecuzione di codice con MCP rispetto a MCP regolare

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

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

Strumenti utilizzati

Questo benchmark è stato condotto utilizzando il Bright Data’s MCP Server con Pro Mode, poiché ha ottenuto la massima precisione nel nostro benchmark MCP per browser.

Risultati principali

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

• Regolare carica circa 15.400 token di definizioni degli strumenti per chiamata
• L'esecuzione di codice richiede solo 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 model scrive codice e spiegazioni

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

Implicazioni sui costi:

• I token di input sono in genere più economici dei token di output
• Ma il risparmio del 78% sui token di input supera di gran lunga l'aumento di 2× dell'output
• Riduzione dei costi stimata di circa il 70% con l'esecuzione di codice

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

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

Metodologia del confronto dell'esecuzione di codice con MCP

Attività

Abbiamo eseguito ogni attività 50 volte per ciascun approccio:

• Vai su https://aimultiple.com/open-source-embedding-models e dimmi i migliori 5 performer perfetti (ovvero i model con una precisione top-5 del 100%)
• Vai su https://aimultiple.com/open-source-embedding-models e dimmi quale model ha la latenza più alta.

Configurazione del confronto

Per entrambi gli approcci, abbiamo utilizzato il Bright Data’s MCP Server con Pro Mode e GPT-4.1 come LLM per l'ampia finestra di contesto.

Configurazione dell'ambiente: Abbiamo cancellato eventuali dati memorizzati nella cache e garantito una nuova connessione al server MCP per ogni esecuzione. Ogni interrogazione viene eseguita come sottoprocesso separato.

Confronto dell'architettura

Architettura MCP regolare

Nell'approccio MCP regolare, l'agente segue un flusso semplice: la richiesta 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 MCP Client Session e i risultati degli strumenti tornano attraverso la finestra di contesto per informare l'azione successiva dell'agente.

Architettura MCP con esecuzione di codice

L'approccio con esecuzione di codice aggiunge un livello intermedio: la richiesta dell'utente va a un agente di esecuzione del 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 del codice sandboxed, che comunica con la MCP Client Session. Solo i risultati finali o i riepiloghi tornano nel contesto dell'agente, non i dati intermedi grezzi.

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

Limiti del nostro approccio

1. Diversità delle richieste: Sono stati testati solo 2 tipi di richieste; i risultati possono variare per altri tipi di attività.
2. Singolo model: Testato solo con GPT-4.1; altri model potrebbero mostrare pattern diversi
3. Qualità del codice: Il successo dell'esecuzione del codice dipende dalla capacità di generazione di codice del model; questo può causare diminuzioni dei tassi di successo in attività più complesse.

Perché il MCP tradizionale spreca risorse

Problema 1: le definizioni degli strumenti consumano un contesto eccessivo

Ogni strumento richiede istruzioni nella memoria del model. Un esempio di 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, si tratta di 150.000 token consumati prima che l'agente legga la tua prima richiesta.

Problema 2: i dati vengono elaborati più volte

Attività: "Prendi i miei appunti delle riunioni da Google Drive e aggiungili a Salesforce."

Cosa succede:

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

Il model gestisce 100.000+ token per spostare i dati da un luogo all'altro.
Le implementazioni MCP tradizionali richiedono che il model selezioni gli strumenti dalle definizioni JSONSchema caricate nella finestra di contesto, il che degrada la precisione all'aumentare del numero di strumenti.¹ La ricerca ha confermato che i tassi di successo delle attività diminuiscono bruscamente all'aumentare del numero di strumenti disponibili a causa del sovraccarico di contesto dovuto alle definizioni degli schemi.² Esporre gli strumenti MCP come funzioni richiamabili e consentire al model di scrivere codice Python che invoca direttamente gli strumenti sfrutta la capacità di generazione di codice esistente del model invece di imporre la selezione da schemi predefiniti.

Quando usare l'esecuzione di codice con MCP?

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

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

L'approccio funziona meglio quando:

• Hai molti strumenti MCP collegati
• I tuoi flussi di lavoro coinvolgono elaborazioni di dati in più fasi
• Documenti di grandi dimensioni 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. Le implementazioni su piccola scala con pochi strumenti potrebbero non giustificare la complessità operativa.

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

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

Framework e protocolli alternativi

Oltre a LangGraph, l'Agent Development Kit (ADK) di Google offre supporto nativo a MCP tramite McpToolset e si integra con il protocollo Agent2Agent (A2A), che standardizza la comunicazione da agente ad agente tramite capability card pubblicate su /.well-known/agent-card.json.³⁴ Ad aprile 2026, OpenAI ha aggiornato il suo Agents SDK per aggiungere capacità native di esecuzione sandbox, fornendo spazi di lavoro isolati con accesso limitato a file e codice.⁵

Cita questo benchmark

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

@misc{alper2026,
  author = {Alper, Şevval},
  title  = {{Esecuzione di codice con MCP: un nuovo approccio all'efficienza degli agenti IA}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/code-execution-with-mcp}},
  note   = {AIMultiple. Consultato il 14 agosto 2026}
}

Registro delle modifiche

2 aggiornamenti

20262025

1. 22 gen

   Rimossa la sezione "Confronto: UTCP vs MCP vs Esecuzione Codice MCP".

Collegamenti di riferimento

1.

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

2.

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

3.

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

4.

Model Context Protocol tools - Agent Development Kit (ADK)

5.

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

TechCrunch

Şevval Alper

Ricercatrice di IA

Segui

Şevval è una ricercatrice di IA presso AIMultiple. Ha precedenti esperienze di ricerca nella generazione di numeri pseudocasuali utilizzando sistemi caotici.
Şevval si concentra su strumenti di programmazione IA, agenti 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