MCP-Tools sind jetzt 10x schneller in Claude Code

Das Claude-Code-Team hat eine Tool-Suche implementiert, die den Kontext um bis zu 95% reduziert, indem nach Tool-Namen gesucht wird, bevor sie verwendet werden. Vorher wurden alle verfügbaren Tools vorab ins Kontextfenster geladen, was Zehntausende von Tokens verbrauchte, noch bevor der erste Prompt geschrieben wurde. MCP-Server existieren für zahlreiche Dienste wie GitHub, Docker, Notion und Better Stack, und da Claude Code für viele Anwendungsfälle genutzt wird, bleibt MCP relevant. Das Hauptproblem war die Token-Ineffizienz: Alle Tools eines Servers wurden normalerweise vorab geladen, inklusive Tool-Namen, Beschreibungen, vollständiger JSON-Schema-Dokumentation, Parameter-Typen und Einschränkungen. Ein konkretes Beispiel zeigt die Dimension: Das Redis-Team nutzte 167 Tools von vier Servern, was über 60.000 Tokens verbrauchte - fast die Hälfte von Opus' 200k-Kontextfenster, und das ohne Skills und Plugins.

Mit vielen Servern kann der Token-Verbrauch eine beträchtliche Menge verschlingen, was erhebliche Performance-Probleme verursacht. Obwohl es Modelle wie Gemini mit einem 1-Million-Token-Fenster gibt, werden Modelle tendenziell schlechter, je mehr man in ihren Kontext packt. Dies stellt ein fundamentales Dilemma dar: Entweder man lädt alle Tools und riskiert Performance-Einbußen, oder man findet einen effizienteren Weg. Die Frage nach der besten Lösung führt zu zwei beliebten Ansätzen, die online diskutiert werden. Der Token-Overhead betrifft nicht nur die Geschwindigkeit, sondern auch die Qualität der Modell-Ausgaben, was die Dringlichkeit einer Lösung unterstreicht.

Claude implementiert einen zweistufigen Such-Prozess, der intelligent zwischen Effizienz und Verfügbarkeit balanciert. Zuerst prüft das System, ob die vorgeladenen MCP-Tools mehr als 10% des Kontexts ausmachen (das wären 20k Tokens bei einem 200k-Token-Fenster). Falls nein, passiert keine Änderung und das Modell nutzt die Tools wie gewohnt - ein pragmatischer Ansatz, der unnötige Komplexität vermeidet. Falls ja, ermittelt Claude dynamisch die richtigen Tools mithilfe natürlicher Sprache und lädt nur drei bis fünf der relevantesten Tools basierend auf dem Prompt. Nur diese ausgewählten Tools werden vollständig in den Kontext geladen, damit das Modell sie normal nutzen kann. Diese Funktion war die meistgewünschte auf GitHub und funktioniert ähnlich wie AgentSkills, das ebenfalls Progressive Disclosure nutzt: Nur Skill-Namen und -Beschreibungen werden initial geladen, und erst wenn ein Skill relevant wird oder im Prompt erwähnt wurde, wird er vollständig ins Kontextfenster geladen.

Der programmatische Ansatz funktioniert grundlegend anders: Modelle orchestrieren Tools durch Code, anstatt API-Aufrufe zu machen. Bei drei Tools, die nacheinander basierend auf der vorherigen Antwort arbeiten müssen, schreibt Claude beispielsweise ein Python-Skript für die gesamte Orchestrierung, führt den Code aus und präsentiert dem Modell das Ergebnis - statt einzelne API-Tool-Aufrufe zu machen. Cloudflare hat diesen Ansatz weiterentwickelt, indem sie das Modell TypeScript-Definitionen für alle verfügbaren Tools schreiben lassen und den Code dann in einer Sandbox ausführen, meist einem Worker. Dies ermöglicht eine flexiblere und möglicherweise effizientere Tool-Nutzung, da die Logik direkt im Code liegt statt in sequenziellen API-Calls.

Das Claude-Code-Team hat den programmatischen Ansatz tatsächlich ausprobiert, fand aber überraschenderweise, dass die Suche besser funktioniert - eine bemerkenswerte Erkenntnis, wenn man Claudes Stärke im Code-Schreiben bedenkt. Das Agent-Browser-CLI-Headless-Chromium-Tool von Vercel funktioniert sehr gut in Claude Code, was zu einer interessanten Hypothese führt: Wenn man alle MCP-Tools mit etwas wie MCPorter in CLI-Befehle umwandeln könnte, wäre es möglicherweise viel einfacher und kontexteffizient für Modelle, einen bestimmten CLI-Befehl auszuführen, anstatt Dinge in den Kontext zu laden. Dies ist eine persönliche Meinung des Sprechers, zeigt aber alternative Denkrichtungen auf. Insgesamt zeigt sich Zufriedenheit darüber, dass die Probleme mit MCP-Servern aktiv untersucht werden, und die Verbesserungen könnten dazu führen, dass mehr als nur ein Server installiert wird - ein Zeichen dafür, dass die Lösung praktische Auswirkungen auf die Nutzer-Adoption haben könnte.