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 piuttosto che 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, così i dati intermedi non devono passare attraverso la memoria del modello. Abbiamo testato questo approccio per verificare se riduce il costo in token mantenendo lo stesso tasso di successo.

Esecuzione di codice con MCP rispetto a MCP tradizionale

Abbiamo confrontato due approcci per la creazione di agenti IA che interagiscono con strumenti esterni tramite MCP:

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

Strumenti utilizzati

Questo benchmark è stato condotto utilizzando il server Bright Data MCP con modalità Pro, poiché ha mostrato la precisione più alta nel nostro benchmark MCP browser.

Risultati principali

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

• L'approccio tradizionale 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 e spiegazioni

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

Implicazione sui costi:

• I token di input sono in genere più economici dei token di output
• Ma un risparmio di input del 78% supera di gran lunga un aumento di output di 2×
• Riduzione dei costi stimata 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 con esecuzione di codice è ispirato al post di Anthropic sull'uso 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 indica i migliori 5 modelli (ovvero i modelli con una precisione top-5 del 100%)
• Vai su https://aimultiple.com/open-source-embedding-models e indica quale modello ha la latenza più alta.

Configurazione del confronto

Per entrambi gli approcci, abbiamo utilizzato il server Bright Data MCP con modalità Pro e GPT-4.1 come LLM grazie alla sua ampia finestra di contesto.

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

Confronto delle architetture

Architettura MCP tradizionale

Nell'approccio MCP tradizionale, 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 MCP con esecuzione di codice

L'approccio con esecuzione di codice aggiunge un livello intermedio: la query 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 Code Executor sandbox, che comunica con la sessione client MCP. 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 modello deve utilizzare uno strumento, scrive codice Python che chiama una funzione asincrona call_tool() fornita nell'ambiente di esecuzione.

Limiti del nostro approccio

1. Diversità delle query: Sono stati testati solo 2 tipi di query; i risultati possono variare per altri tipi di attività.
2. Modello singolo: Testato solo con GPT-4.1; altri modelli potrebbero mostrare schemi diversi
3. Qualità del codice: Il successo dell'esecuzione del codice dipende dalla capacità del modello di generare codice; questo può causare riduzioni dei tassi di successo in attività più complesse.

Perché il MCP tradizionale spreca risorse

Problema 1: le definizioni degli strumenti consumano una quantità eccessiva di contesto

Ogni strumento richiede istruzioni nella memoria del modello. Un esempio semplice:

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 comporta 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

Attività: “Ottieni i miei appunti della 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 100.000+ token per spostare i dati da un luogo all'altro.
Le implementazioni MCP tradizionali richiedono che il modello selezioni gli strumenti dalle definizioni JSONSchema caricate nella finestra di contesto, il che degrada l'accuratezza all'aumentare del numero di strumenti.¹ La ricerca ha confermato che i tassi di successo delle attività diminuiscono bruscamente con la crescita del numero di strumenti disponibili a causa dell'accumulo di contesto derivante dalle definizioni degli schemi.² Esporre gli strumenti MCP come funzioni richiamabili e consentire al modello di scrivere codice Python che invoca direttamente gli strumenti sfrutta la capacità di generazione di codice esistente del modello 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 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 al meglio quando:

• Si dispone di molti strumenti MCP connessi
• I flussi di lavoro comportano un'elaborazione dei 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 approccio non sia automaticamente migliore per tutti i casi d'uso. Le distribuzioni 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 riduzione dei token di oltre il 98% e i corrispondenti risparmi sui costi 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

I team che desiderano un livello di esecuzione del codice separato dal proprio framework di agenti possono utilizzare servizi sandbox autonomi come CoreWeave Sandboxes, che offre SDK Python e TypeScript e consente di limitare l'accesso in uscita di ogni sandbox per indirizzo IP, porta e hostname HTTPS.³ Ad aprile 2026, OpenAI ha aggiornato il suo Agents SDK per aggiungere funzionalità native di esecuzione sandbox, fornendo workspace isolati con accesso limitato a file e codice.⁴

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  = oct,
  howpublished    = {\url{https://aimultiple.com/code-execution-with-mcp}},
  note   = {AIMultiple. Consultato il 16 ottobre 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 for efficient agents \ Anthropic

Anthropic

2.

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

3.

CoreWeave Sandboxes | CoreWeave Forge

4.

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