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 usa 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 vs MCP regolare

Abbiamo confrontato due approcci per la creazione di 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
• 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 di token di input: l'esecuzione di codice utilizza il 78.5% in meno di token di input (165K contro 771K):

• Regolare carica ~15.400 token di definizioni degli strumenti per chiamata
• L'esecuzione di codice richiede solo ~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)

Implicazione 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× dei token di 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 query con GPT-4.1.

L'approccio di 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

Compiti

Abbiamo eseguito ogni compito 50 volte per ciascun approccio:

• Vai su https://aimultiple.com/open-source-embedding-models, dimmi i migliori 5 performer perfetti (ovvero i modelli con un'accuratezza top-5 del 100%)
• Vai su https://aimultiple.com/open-source-embedding-models, dimmi 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 MCP per browser.

Abbiamo utilizzato 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 dell'architettura

Architettura MCP regolare

Nell'approccio MCP regolare, l'agente segue un flusso lineare: la query 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 tramite la sessione client MCP, e i risultati degli strumenti tornano attraverso la finestra di contesto per informare l'azione successiva dell'agente.

Architettura dell'esecuzione di codice MCP

L'approccio con esecuzione di codice aggiunge un livello intermedio: la query dell'utente va 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 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 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 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 pattern diversi.
3. Qualità del codice: Il successo dell'esecuzione di codice dipende dalla capacità di generazione di codice del modello; questo può causare una diminuzione dei tassi di successo nei compiti più complessi.

Perché l'MCP tradizionale spreca risorse

Problema 1: le definizioni degli strumenti consumano un contesto eccessivo

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 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: “Ottieni i miei appunti delle riunioni 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 dati da un posto all'altro.
Le implementazioni MCP tradizionali 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.¹ La ricerca ha confermato che i tassi di successo dei compiti diminuiscono bruscamente all'aumentare del numero di strumenti disponibili a causa dell'inondazione del contesto da parte delle 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 forzare 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 attraverso il modello inutilmente

L'approccio funziona al meglio quando:

• Hai molti strumenti MCP connessi
• I tuoi flussi di lavoro implicano l'elaborazione di dati in più fasi
• Documenti o dataset di grandi dimensioni 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, il potenziale di riduzione dei token superiore al 98% e i relativi 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

Oltre a LangGraph, l'Agent Development Kit (ADK) di Google offre supporto MCP nativo 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.^{3 4} Ad aprile 2026, OpenAI ha aggiornato il suo Agents SDK per aggiungere funzionalità native di esecuzione sandbox, fornendo spazi di lavoro isolati con accesso limitato a file e codice.⁵

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  = aug,
  howpublished    = {\url{https://aimultiple.com/code-execution-with-mcp}},
  note   = {AIMultiple. Consultato il 14 Agosto 2026}
}

Collegamenti di riferimento

1.

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

2.

https://arxiv.org/pdf/2603.20313

3.

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

4.

MCP tools - Agent Development Kit (ADK)

5.

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