В конце 2024 года Anthropic представила Model Context Protocol (MCP) – протокол, позволяющий языковым моделям подключаться к внешним инструментам по единым правилам, без индивидуальных интеграций. Идея была в том, чтобы отделить модель от конкретных API и предоставить ей универсальный интерфейс для взаимодействия с файлами, базами данных и облачными сервисами.
С ростом числа MCP-инструментов в реальных агентах стало заметно ограничение: модель начала получать слишком много промежуточных данных. Это увеличивает количество токенов и время отклика, а в сложных цепочках действий приводит к ошибкам.
Anthropic предложила решение: вынести выполнение операций в отдельную среду исполнения кода, сохранив за моделью только роль планировщика.
В чём была проблема
Типичный сценарий до обновления выглядел так:
-
Агент вызывает инструмент для получения данных.
-
Инструмент возвращает данные в модель.
-
Модель формирует следующую команду, снова включая данные в контекст.
Если документ большой (например, 200 KB текста), он полностью проходит через модель, хотя модели часто нужно лишь понимать последовательность действий, а не сам текст.
Это приводит к:
|
Последствие |
Причина |
|---|---|
|
Рост токенов |
Данные хранятся в контексте |
|
Медленнее ответы |
Увеличение контекстного окна |
|
Хрупкость цепочек |
Ошибка в данных → ошибка в планировании |
Модель здесь выступает как транспорт, что ей не нужно.
Новое решение: модель планирует, код выполняет
Anthropic добавила в MCP возможность выполнения кода в отдельной песочнице (sandbox).
Теперь модель не переносит данные между инструментами, а генерирует код, который сам работает с MCP-серверами. То есть модель занимается логикой, а обработка данных вынесена из контекста.
Пример
Допустим, агент должен:
-
прочитать стенограмму встречи,
-
выделить решения,
-
добавить их в Notion.
Схема с исполнением кода
import * as files from "./servers/files";
import * as notion from "./servers/notion";
const raw = await files.readFile({ path: "./meeting.txt" });
const text = raw.content;
const keyPoints = text
.split("n")
.filter(line => line.startsWith("- ") || line.startsWith("* "))
.map(line => line.replace(/^[-*]s*/, ""))
.join("n");
await notion.createPage({
databaseId: "db123",
title: "Решения по встрече",
content: keyPoints
});
return `Добавлено пунктов: ${keyPoints.split("n").length}`;Модели возвращается только строка:
"Добавлено пунктов: 17"А не весь документ.
Зачем это всё
|
Подход |
Что делает модель |
Поток данных |
Стоимость |
|---|---|---|---|
|
До обновления |
Анализ + передача |
Большие данные проходят через LLM |
Высокая |
|
После обновления |
Только планирование |
Передаётся только итог |
Ниже |
На длинных цепочках взаимодействий разница в стоимости может быть на порядок.
Безопасность
Anthropic обращает внимание, что выполнение кода должно быть:
-
изолировано (Docker / gVisor / Firecracker)
-
ограничено по ресурсам
-
с контролем доступа к сети и файловой системе
То есть это не «модель получила доступ к компьютеру», а ограниченная вычислительная среда с предсказуемыми API.
Где такой подход уместен
Хорошо работает в:
-
корпоративных ассистентах
-
автоматизации документооборота
-
извлечении и структурировании информации
-
интеграциях CRM / Wiki / облаков
Мало полезен в задачах «просто поговорить» – там нет данных, которые нужно переносить или трансформировать.
Выводы
Anthropic постепенно смещает роль модели в сторону планировщика задач, а не универсального вычислителя.
MCP с исполнением кода делает агентов практичным инструментом, который может не только «объяснять, что делать», но и выполнять конечные действия за пределами модели.
Это делает ИИ-агентов:
-
быстрее,
-
надёжнее,
-
дешевле при работе с большими данными.
Подробнее в блоге Anthropic
Автор: stas-clear
