MCP 已成为 Agent 应用连接外部工具的标准，但普遍采用的“直接工具调用”方法存在严重效率问题，即工具定义和中间结果会大量消耗宝贵的上下文窗口。本文认为 Agent 应用应该转向“代码执行”模式：不直接调用工具，而是让 LLM 生成代码来与 MCP 服务器进行 API 交互。这种方式能更充分地利用 LLM 在编码方面的强大训练优势，极大降低 token 消耗，并实现更复杂、高效、私密和可持久化的工作流。本文核心思想是 code as meta tool，Cloudflare 和 Anthropic 最近也分别写了篇博客来介绍，而 Manus 最开始就用的这个思路，我最早是从这篇论文Executable Code Actions Elicit Better LLM Agents了解到的（去年五月初），只是当时模型写代码的能力还没有现在这么强。

上一篇文章《MCP 的应用场景，其实是一个巨大的赚钱机会》 发出后，后台接到很多读者留言，询问能否写一篇文章再详细介绍下 MCP 设计细节，本来想动笔，不过凑巧的是，搜索过程中发现 AI Engineer 频道刚好在上周五（4 月 4 日，新鲜热乎的 🤙）采访了MCP 团队的两位发起工程师 ，基本涉及到了 MCP 的方方面面。本篇内容是访谈的脱水版文字稿，移除了和 MCP 无关的话题和口头表达时的语癖，基本能够解答大家对 MCP 的起源、技术细节与设计思路、与 Agent 的关系及未来迭代方向的疑问，也比大多数能读到的二手内容权威多了。

模型上下文协议(Model Context Protocol, 简称 MCP)是一种正在迅速普及的协议，它允许模型客户端与外部服务和工具服务器进行交互，让模型客户端不再局限于对话和信息检索，而是能够采取实际行动，比如发送邮件、部署代码、或发布文章等，我在周刊的 30、35、43、44、45 期都曾介绍过。关于 MCP 介绍的文章已经很多了，本篇不再赘述，这里我想重点谈谈深度使用下来发现的一些问题，以及这些问题带来的潜在掘金机会。