Инструменты MCP стали в 10 раз быстрее в Claude Code

Команда Claude Code устранила крупнейшую проблему MCP, внедрив поиск инструментов (tool search). Новый подход позволяет сократить использование контекста до 95% за счет поиска имени инструмента перед его использованием. Ранее все доступные инструменты предварительно загружались в контекст, что могло занимать десятки тысяч токенов еще до написания первого запроса. Видео обещает объяснить, почему старый метод был неэффективным и связано ли новое решение с подходом Cloudflare.

MCP-серверы существуют для множества платформ: GitHub, Docker, Notion, Better Stack и других, что делает MCP незаменимым инструментом. Однако технология имеет серьезные проблемы: конфликты имен, инъекции команд и критическую неэффективность токенов. Основная проблема заключается в том, что все инструменты с подключенного сервера предварительно загружаются в контекстное окно модели для обеспечения полной видимости. В контекст попадают имена инструментов, описания, полная документация JSON-схемы с обязательными и необязательными параметрами, их типами и ограничениями — огромный объем данных.

Команда Redis использовала 167 инструментов с четырех разных MCP-серверов, что заняло более 60 000 токенов еще до написания запроса. Это составляет почти половину контекстного окна Claude Opus в 200 000 токенов, и это без учета навыков и плагинов. При наличии множества серверов потребление токенов становится критическим. Хотя существуют модели с большими контекстными окнами (например, Gemini с миллионом токенов), модели обычно работают хуже при увеличении объема информации в контексте.

Существует два популярных подхода к решению проблемы: программный (Cloudflare) и поисковый (Claude Code). В поисковом подходе Claude сначала проверяет, занимают ли MCP-инструменты более 10% контекста (например, 20 000 токенов из 200 000). Если нет, то инструменты используются как обычно без изменений. Если порог превышен, Claude динамически находит нужные инструменты с помощью естественного языка и загружает только 3-5 наиболее релевантных на основе запроса. Полностью загружаются в контекст только эти выбранные инструменты, что позволяет модели использовать их эффективно.

Поиск инструментов был самой запрашиваемой функцией на GitHub и работает аналогично AgentSkills. В AgentSkills в контекст загружаются только имена и описания навыков, а когда обнаруживается релевантный навык или он упоминается в запросе, тогда загружается полная документация этого конкретного навыка. Это принцип постепенного раскрытия информации (progressive disclosure). Как Anthropic, так и Cursor увидели значительные преимущества от применения этого подхода к MCP-инструментам.

Программный подход позволяет моделям управлять инструментами через код вместо API-вызовов. Вместо отдельных вызовов для трех инструментов, работающих последовательно, Claude может написать Python-скрипт для всей оркестрации, выполнить код и передать результат обратно. Cloudflare пошла дальше, заставляя модель писать TypeScript-определения для всех инструментов и запуская код в песочнице (обычно воркере). Команда Claude Code тестировала программный подход, но обнаружила, что поиск работает лучше, что удивительно, учитывая способности Claude в написании кода. Автор считает, что конвертация MCP-инструментов в CLI-команды (например, через MCPorter) могла бы быть еще эффективнее.

Автор выражает удовлетворение тем, что проблемы MCP-серверов активно решаются. Новые улучшения могут убедить пользователей устанавливать больше одного MCP-сервера, что ранее было нецелесообразно из-за проблем с контекстом. Внедрение поиска инструментов открывает новые возможности для масштабирования использования MCP-серверов без критических потерь производительности. Решение проблемы неэффективности токенов делает MCP более практичным инструментом для широкого применения.