使用MCP（Anthropic）执行代码——Web抓取案例研究
这个回购是对Anthropic文章中想法的最小复制 “使用MCP执行代码”本文强调了直接工具调用的两个低效之处：
- 工具定义使上下文膨胀（提前加载所有内容）。
- 中间工具结果流经模型，并在每次转弯时回放。
建议的修复方法是让模型编写一次代码并在模型外运行，将中间数据排除在上下文窗口之外。我们将该模式应用于一个简单的抓取任务，以显示令牌/时间/成本的影响。
任务（两种方法相同）
取消科幻小说类别https://books.toscrape.com并返回JSON title, price, product_url （限制20）。
模型看到了什么
- 基线（直接工具）： 查看聊天历史记录中的每个工具输出（包括DOM导出的响应）。稳健，但上下文和令牌每次都会增长。
- 代码执行： 只看到系统提示+任务。确实如此 不 参见DOM/工具输出；中间数据不在模型中。高效，但选择器/导航发现是启发式的，除非您添加一个小的侦察步骤（此处不包括）。
结果（books.toscrape科幻）
- 基线：64397个代币；37.0s； $0.2157;3圈；16本书。
- 代码执行：1468个令牌；13.9s（8.4s代码生成，7.2s执行）； $0.0109;1通电话；16本书。
- 节省：约98%的代币，约95%的成本，约2.7倍的速度。相同的数据集。
设置
- 需要Node 20+和Python 3.11。
- 复制
.env.example到.env并设置OPENROUTER_API_KEY. - 对于本地（非Docker）运行：
npm install
pip3 install --no-cache-dir -r requirements.txt运行（Docker/Podman）
基线（直接工具）：
podman run --rm \
-v $(pwd):/app \
--env-file .env \
-e HTTP_PROXY= -e HTTPS_PROXY= \
-w /app \
localhost/mcp-experiment python3 experiments/baseline.py代码执行（LLM生成TS，通过MCP执行）：
podman run --rm \
-v $(pwd):/app \
--env-file .env \
-e HTTP_PROXY= -e HTTPS_PROXY= \
-w /app \
localhost/mcp-experiment python3 experiments/code_exec.py文件
experiments/baseline.py：直接MCP工具调用（ReAct）。experiments/code_exec.py：代码执行模式（TS生成一次，通过Playwright MCP运行）。Dockerfile,package.json,requirements.txt：环境设置。.env.example：API密钥占位符。