Benchmark

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

con

aggiornato il 24 giu. 2026

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 vedere se riduce il costo dei token mantenendo lo stesso tasso di successo.

Esecuzione di codice con MCP vs MCP regolare

Metrica	MCP regolare	MCP con esecuzione di codice	Differenza
Tasso di successo	100%	100%	Uguale
Latenza media	9.66s	10.37s	+7%
Token di input medi	15,417	3,310	-78.5%
Token di output medi	87	192	+120%
Token di input totali	770,852	165,496	-78.5%
Token di output totali	4,345	9,585	+120%
Totale token complessivi	775,197	175,081	-77.4%

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

MCP regolare: approccio tradizionale in cui tutte le definizioni degli strumenti vengono caricate nella finestra di contesto del modello
MCP con esecuzione di codice: nuovo approccio 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 78.5% in meno di token di input (165K contro 771K):

Il metodo 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 modello scrive codice + spiegazioni

Risparmio netto sui 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 un risparmio del 78% sugli input supera di gran lunga un aumento di 2× degli 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 interrogazioni con GPT-4.1.

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

Metodologia del confronto con esecuzione di codice e MCP

Compiti

Abbiamo eseguito ogni compito 50 volte per ciascun approccio:

Vai su https://aimultiple.com/open-source-embedding-models, indicami i 5 modelli con le migliori prestazioni (cioè 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 la modalità pro abilitata, poiché aveva la massima accuratezza nel nostro benchmark dei browser MCP.

Bright Data MCP server: strumenti di integrazione web per l'IA.

Visita il sito web

Abbiamo utilizzato GPT-4.1 come LLM per la sua ampia finestra di contesto.

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

Confronto delle architetture

Architettura MCP regolare

Nell'approccio MCP regolare, l'agente segue un flusso diretto: l'interrogazione dell'utente entra in un LangGraph ReAct Agent, che ha accesso a tutte le 63 definizioni degli strumenti nella sua finestra di contesto. L'agente seleziona e chiama gli strumenti attraverso la sessione client MCP, e i risultati degli strumenti tornano alla 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: l'interrogazione dell'utente arriva a un Code Execution Agent 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 Code Executor isolato, che comunica con la sessione client MCP. Solo i risultati finali o i riepiloghi 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 le descrizioni troncate (max 60 caratteri). Quando il modello deve utilizzare uno strumento, scrive codice Python che chiama una funzione asincrona call_tool() fornita nell'ambiente di esecuzione.

Limitazioni del nostro approccio

Diversità delle interrogazioni: Solo 2 tipi di interrogazioni testate; i risultati possono variare per altri tipi di compiti.
Singolo modello: Testato solo con GPT-4.1; altri modelli potrebbero mostrare pattern diversi
Qualità del codice: Il successo dell'esecuzione di codice dipende dalla capacità del modello di generare codice; ciò può causare cali dei tassi di successo in compiti più complessi.

Lascia che il nostro team automatizzi uno dei tuoi processi aziendali con agenti IA, gratuitamente.

Automatizza un processo

Perché il MCP tradizionale spreca risorse

Problema 1: le definizioni degli strumenti consumano contesto eccessivo

Ogni strumento richiede istruzioni nella memoria del modello. 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, 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 delle riunioni da Google Drive e aggiungili a Salesforce."

Cosa succede:

L'agente ottiene il documento (50,000 token)
Il modello lo legge
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 che il modello selezioni gli strumenti dalle definizioni JSONSchema caricate nella finestra di contesto, il che riduce l'accuratezza all'aumentare del numero di strumenti.² La ricerca ha confermato che i tassi di successo dei compiti diminuiscono bruscamente all'aumentare del numero di strumenti disponibili a causa del sovraffollamento del contesto da parte delle definizioni degli schemi.³ Esporre gli strumenti MCP come funzioni richiamabili e consentire al modello di scrivere codice Python che invoca direttamente gli strumenti sfrutta la capacità esistente di generazione di codice del modello anziché forzare la selezione da schemi predefiniti.

Quando utilizzare l'esecuzione di codice con MCP?

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

Le definizioni degli strumenti non affollano più la finestra di contesto
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 fanno sì che questo non sia 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 cataloghi estesi di strumenti MCP, la possibilità di una riduzione dei token superiore al 98% e i corrispondenti risparmi sui costi rendono questo approccio meritevole di indagine.

Scopri altri nostri benchmark e approfondimenti basati sui dati nella Ricerca Google.

Aggiungi come fonte preferita

Framework e protocolli alternativi

Oltre a LangGraph, l'Agent Development Kit (ADK) di Google offre il 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.⁴⁵ Nell'aprile 2026, OpenAI ha aggiornato il suo Agents SDK per aggiungere capacità native di esecuzione in sandbox, fornendo spazi di lavoro isolati con accesso limitato 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.

Sena Sezer and Şevval Alper (2026) - "Esecuzione di codice con MCP: un nuovo approccio all'efficienza degli agenti IA". Pubblicato online su AIMultiple.com. Consultato il 24 Giugno 2026, da: https://aimultiple.com/code-execution-with-mcp [Risorsa online]

Sezer, S., & Alper, Ş. (2026, 24 Giugno). Esecuzione di codice con MCP: un nuovo approccio all'efficienza degli agenti IA. AIMultiple. https://aimultiple.com/code-execution-with-mcp

@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}
}