使用说明

使用MCP执行代码

由Paul Brower于2026年1月24日上午11:59创建

通过让模型编写代码而不是进行单独的工具调用，大大加快了人工智能辅助的批处理操作。

此存储库探索使用MCP执行代码 Anthropic工程博客中的模式，以及你可以自己运行的工作示例。

问题

当你让人工智能助手一次处理一条记录时，速度非常慢：

User: "Update the status on these 50 records"

AI: [calls tool to find record 1]
AI: [calls tool to update record 1]
AI: [calls tool to find record 2]
AI: [calls tool to update record 2]
... repeat 48 more times ...

每次工具调用都需要一次完整的往返：模型推理→ API调用→ 工具执行→ 响应解析→ 再次进行模型推理。在我们的测试中， 每次工具调用大约需要4秒对于50条记录，每条记录有2个电话，这是 约7分钟.

解决方案

让AI编写执行批处理操作的代码，而不是逐一调用工具：

// One tool call that runs this code:
for (const id of recordIds) {
  const record = await memory.openNodes([id]);
  await memory.addObservations([{ entityName: id, contents: ['status: processed'] }]);
}

结果：1毫秒内记录50条，而不是7分钟。

为什么这很重要

好处	说明
速度	消除迭代操作的模型往返
代币效率	将更少的工具定义加载到上下文中（减少约95%）
减少上下文腐烂	更少的来回意味着更清晰的对话历史
天然成分	循环、条件和数据转换在代码中是很自然的
可扩展性	在不增加上下文的情况下处理数百个工具

何时使用每种方法

使用直接工具调用	使用代码执行
探索和发现	批处理操作（“对于每个X，做Y”）
一次性查询	复杂的过滤和转换
学习数据结构	多步骤工作流程
简单操作	对多条记录的操作

实验

实验1：批量记录更新

测试迭代内存操作的直接工具调用和代码执行之间的性能差异。

结果摘要

度量	直接工具调用	代码执行	改进
5次迭代	42.7秒	<1毫秒	快42000倍
50次迭代	约7分钟	1毫秒	约430000倍快
每批工具调用	每次迭代2次	共1次	减少90-99%
上下文中的工具标记	~6000	~300	95%减少

关键发现

模型往返是瓶颈，而不是工具执行。 每次直接工具调用大约需要4.3秒（模型推理+API延迟+MCP执行）。代码执行消除了迭代操作的这种情况。

亲自进行实验

先决条件

Node.js 18+
克劳德代码命令行界面
npm

设置

克隆仓库

git clone https://github.com/yourusername/code-mode.git
cd code-mode

安装依赖项
```
npm install
```
构建项目
```
npm run build
```

配置MCP服务器

创建或更新 .mcp.json 在项目根目录中：

{
  "mcpServers": {
    "code_mode_memory": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"],
      "env": {
        "MEMORY_FILE_PATH": "/path/to/code-mode/code-mode-memory.jsonl"
      }
    },
    "code_executor": {
      "type": "stdio",
      "command": "node",
      "args": ["dist/mcp-server/index.js"],
      "cwd": "/path/to/code-mode"
    }
  }
}

替换 /path/to/code-mode 根据您的实际项目路径。

重新启动Claude代码 获取新的MCP配置

运行测试

测试内存包装库：

npm test

测试代码执行器：

npm run test:executor

在Claude代码中使用代码执行器

配置后，您可以使用 execute_code 克劳德代码中的工具：

// Example: Count active records
const graph = await memory.readGraph();
const activeCount = graph.entities.filter(entity =>
  entity.observations.some(obs => obs === "status: active")
).length;
console.log(`Active records: ${activeCount}`);

代码在沙盒环境中执行，可以访问内存操作，但限制系统访问。

项目结构

code-mode/
├── servers/memory/       # TypeScript wrappers for memory MCP tools
│   ├── types.ts          # Type definitions
│   ├── client.ts         # MCP client interface
│   ├── operations.ts     # Tool wrapper functions
│   └── index.ts          # Public exports
├── executor/             # Code execution sandbox
│   ├── sandbox.ts        # VM-based sandboxed execution
│   └── index.ts          # Executor entry point
├── mcp-server/           # MCP server exposing execute_code tool
│   └── index.ts          # Server implementation
├── test/                 # Test files
├── code-mode-memory.jsonl # Test data (50 sample records)
├── Experiment1.md        # Detailed experiment documentation
└── mcp-config.example.json # Example MCP configuration

运作原理

1.工具包装

我们不公开原始的MCP工具，而是创建类型化的TypeScript包装器：

// Direct MCP call (verbose, untyped)
mcp__code_mode_memory__read_graph()

// Wrapper (clean, typed)
await memory.readGraph()

2.沙盒执行

代理生成的代码在Node.js VM沙箱中运行，具有：

访问内存工具包装器
控制台输出捕获
超时保护
无文件系统或网络访问

3.单一工具调用

这 execute_code MCP工具接受JavaScript代码并在沙箱中运行：

Model → execute_code("...loop over 50 records...") → Sandbox executes all iterations → Single result

与直接工具调用相比：

Model → tool call → result → Model → tool call → result → ... (100 round trips)

资源

许可证

麻省理工学院