mcp-code-execution

MCP 代码执行中枢

快速开始

此技能是一个编排中枢，不是 CLI。出现以下触发关键词之一时，或在 显式调用时，它会在 Claude Code 会话中激活：

Skill(conserve:mcp-code-execution)

随后，中枢会根据检测到的工作流类型，路由到相关的子技能模块 （mcp-subagents、mcp-patterns、mcp-validation）。无需单独安装， 也没有 CLI 入口点。

适用场景

• 自动触发：关键词：code execution、MCP、tool chain、data pipeline、MECW
• 工具链：按顺序串联的工具超过 3 个
• 数据处理：大型数据集（超过 10k 行）或文件（超过 50KB）
• 上下文压力：当前用量超过总窗口的 25%（主动管理上下文）

MCP 工具搜索（Claude Code 2.1.7+）：当 MCP 工具 描述超过上下文的 10% 时，工具会自动延迟加载，并通过 MCPSearch 发现， 而不是预先加载。这可将 token 开销降低约 85%，但意味着必须按需发现工具。 Haiku 模型不支持工具搜索。使用 ENABLE_TOOL_SEARCH=auto:N 配置阈值， 其中 N 为百分比。

修复子 Agent 的 MCP 访问（Claude Code 2.1.30+）：现在，SDK 提供的 MCP 工具会正确同步到子 Agent。在 2.1.30 之前，子 Agent 无法访问 SDK 提供的 MCP 工具：将 MCP 工具使用委派给子 Agent 的工作流会无声失效。 在 2.1.30+ 中无需变通方案。

Claude.ai MCP 连接器（Claude Code 2.1.46+）：使用 claude.ai 账号登录 Claude Code 的用户可能会从 claude.ai/settings/connectors 自动加载额外的 MCP 工具。这些工具会计入工具搜索阈值。如果工作流意外触发工具搜索或 上下文膨胀，请检查 /mcp 中来自 claude.ai 的连接器。已知可靠性问题： 连接器可能会无声消失（GitHub #21817）。

修复 MCP 提示词缓存（Claude Code 2.1.70+）：首轮之后才连接的、带有 指令的 MCP 服务不再会破坏提示词缓存。此前，延迟连接的 MCP 服务会使 已缓存的提示词前缀失效，增加会话后续部分的 token 成本。在 2.1.70+ 中， 无论 MCP 服务何时连接，都能保留提示词缓存复用。

修复 ToolSearch 可靠性（Claude Code 2.1.70+）：现已修复 ToolSearch 后模型响应为空的问题。服务端此前会使用类似系统提示词的标签呈现工具 架构，可能导致模型提前停止。现在，依赖大量 ToolSearch 的工作流 （包含许多延迟加载的 MCP 工具）更加可靠。

不适用场景

• 不会串联的简单工具调用
• 上下文压力较低且工具运行迅速

中枢的核心职责

• 编排 MCP 代码执行工作流
• 路由到合适的专业模块
• 协调各子模块遵循 MECW
• 管理子模块的 token 预算分配

必需的进度项

1. mcp-code-execution:assess-workflow
2. mcp-code-execution:route-to-modules
3. mcp-code-execution:coordinate-mecw
4. mcp-code-execution:synthesize-results

步骤 1 – 评估工作流（mcp-code-execution:assess-workflow）

工作流分类

def classify_workflow_for_mecw(workflow):
    """Determine appropriate MCP modules and MECW strategy"""

    if has_tool_chains(workflow) and workflow.complexity == "high":
        return {
            "modules": ["mcp-subagents", "mcp-patterns"],
            "mecw_strategy": "aggressive",
            "token_budget": 600,
        }
    elif workflow.data_size > "10k_rows":
        return {
            "modules": ["mcp-patterns", "mcp-validation"],
            "mecw_strategy": "moderate",
            "token_budget": 400,
        }
    else:
        return {
            "modules": ["mcp-patterns"],
            "mecw_strategy": "conservative",
            "token_budget": 200,
        }

MECW 风险评估

委托 mcp-validation 模块进行详细风险分析：

def delegate_mecw_assessment(workflow):
    return mcp_validation_assess_mecw_risk(
        workflow, hub_allocated_tokens=self.token_budget * 0.5
    )

步骤 2 – 路由到模块（mcp-code-execution:route-to-modules）

模块编排

class MCPExecutionHub:
    def __init__(self):
        self.modules = {
            "mcp-subagents": MCPSubagentsModule(),
            "mcp-patterns": MCPatternsModule(),
            "mcp-validation": MCPValidationModule(),
        }

    def execute_workflow(self, workflow, classification):
        results = []

        # Execute modules in optimal order
        for module_name in classification["modules"]:
            module = self.modules[module_name]
            result = module.execute(
                workflow,
                mecw_budget=classification["token_budget"]
                // len(classification["modules"]),
            )
            results.append(result)

        return self.synthesize_results(results)

步骤 3 – 协调 MECW（mcp-code-execution:coordinate-mecw）

跨模块 MECW 管理

• 监控所有模块的上下文总用量
• 在全局范围内执行 50% 上下文规则
• 协调外部状态管理
• 实施 MECW 紧急协议

步骤 4 – 综合结果（mcp-code-execution:synthesize-results）

结果整合

def synthesize_module_results(module_results):
    """Combine module results into a single status dict."""

    return {
        "status": "completed",
        "token_savings": calculate_savings(module_results),
        "mecw_compliance": verify_mecw_rules(module_results),
        "hallucination_risk": assess_hallucination_prevention(module_results),
        "results": consolidate_results(module_results),
    }

模块集成

可用模块

• 有关跨模块编排，请参阅 modules/mcp-coordination.md
• 有关常见 MCP 执行模式，请参阅 modules/mcp-patterns.md
• 有关子 Agent 委派策略，请参阅 modules/mcp-subagents.md
• 有关 MECW 合规性验证，请参阅 modules/mcp-validation.md

与上下文优化中心集成

• 接收来自 context-optimization 的高级 MECW 策略
• 返回详细的执行指标和合规性数据
• 协调令牌预算分配

性能技能集成

• 通过 mcp-patterns 使用 python-performance-optimization
• 与 cpu-gpu-performance 保持一致，以实现资源感知型执行
• 验证优化是否仍符合 MECW 合规性

紧急协议

中心级紧急响应

超出 MECW 限制时：

1. 立即委派给 mcp-validation 进行风险评估
2. 路由至 mcp-subagents 进行进一步拆解
3. 通过 mcp-patterns 进行压缩
4. 返回最精简的摘要以保留上下文

成功指标

• 工作流成功率：模块协调成功率 >95%
• MECW 合规性：100% 遵守 50% 上下文规则
• 令牌效率：与传统方法相比，节省率保持在 >80%
• 模块协调：中心编排的开销 <5%

退出标准

• 工作流已归类为三种 MECW 策略之一（激进/适中/保守），并根据工具链长度和数据量选择了正确的模块组合（mcp-subagents、mcp-patterns、mcp-validation）
• 整个工作流期间，上下文用量始终保持在总窗口的 50% 或以下；任何超限都会触发中心级紧急响应（委派给 mcp-validation、路由至 mcp-subagents、执行压缩）
• synthesize_module_results 返回的字典包含全部四个键：status、token_savings、mecw_compliance、hallucination_risk
• 工作流结束时报告的令牌节省率高于通过直接串联 Bash 工具运行相同工作流所能达到的 80%