你有没有发现一个反直觉的现象：给 AI 接入的工具越多，它反而变得越慢、越贵？
这就像你本想给助手配备瑞士军刀,结果他每次做事之前都要把 100 把刀的说明书全读一遍。更离谱的是,他把钉子从工具箱拿出来,还得先问你一句:"这是钉子吗?"然后你回答:"是的。"他才能继续下一步。
听起来很蠢对吧?但这就是现在大部分 AI Agent 的工作方式。
问题到底出在哪？
让我们先说说 MCP（Model Context Protocol）。这是个好东西——它让 AI 可以连接各种外部工具，比如 Google Drive、Salesforce、数据库，什么都能接。
但问题来了。
想象一下，你雇了个新助理。第一天上班，你把公司所有部门的操作手册——人事、财务、法务、市场、技术——一股脑全塞给他，说"先全背下来"。
哪怕他今天只需要从 Google Drive 下载一份文件，其他 99 个部门的手册也得占着他的脑子。
这就是第一个问题：AI 的"大脑容量"被挤爆了。 那些用不上的工具说明书，占了 15 万个 token（AI 的记忆单位），真正干活的空间就没剩多少了。
更离谱的是数据传递方式
第二个问题更隐蔽,我举个例子你就懂了。
假设你让助理做件事：从公司档案室拿一份报告，然后把内容更新到客户档案里。
正常人怎么做？
- 去档案室，拿报告
- 看一眼内容
- 走到客户档案柜，把内容填进去
- 完事
但现在的 AI Agent 是这样工作的：
- 去档案室拿报告
- 跑回来找你，把报告从头到尾念一遍给你听："老板，这份报告说的是……（此处省略 5000 字）"
- 你说："好，我知道了，你去更新客户档案吧"
- 他再把这 5000 字完整地念一遍给客户档案柜
你看出问题了吗？
那份报告的内容，平白无故被念了两遍。 一遍是"告诉 AI"，一遍是"AI 转述给下一个工具"。中间这个环节完全是浪费——助理明明可以直接把报告拿过去，为什么要绕道回来给你念一遍？
这就是传统 AI Agent 的致命缺陷：它把自己当成了所有信息的中转站。
Anthropic 的解法：让助理学会"自己看着办"
Anthropic 提出的方案，核心思路特别简单——不要把所有说明书塞给助理，而是给他一个文件柜，让他需要的时候自己去查。
具体怎么做？
第一步:工具说明书不用全背
不要一上来就让 AI 把 100 个工具的使用方法全记住。
而是给它一个"工具目录"，就像公司的内部网盘：
- Google Drive 相关功能放在一个文件夹
- Salesforce 相关功能放在另一个文件夹
- 需要用哪个，打开对应文件夹看一眼就行
这样一来，AI 的"脑子"里只需要记住"我有哪些工具"，而不是"每个工具怎么用的详细说明"。
就像你不需要背下公司所有部门的操作手册，但你知道用的时候去哪找就够了。
第二步:让 AI 直接在"工作间"里操作
这是更关键的一步。
回到刚才那个例子——从档案室拿报告,更新到客户档案。
新方式是：给 AI 一个独立的"工作间"（沙盒执行环境），让它在里面自己处理数据。
过程变成这样：
- AI 去档案室拿报告
- 在自己的工作间里看报告内容
- 在工作间里直接把内容整理好
- 把整理好的结果更新到客户档案
- 只把最终结果告诉你："搞定了，档案已更新"
你注意到区别了吗？
那份 5000 字的报告，不再需要念给你听。 AI 在它自己的工作间里处理完了，你只需要知道结果就行。
这就像你让快递员送个包裹，你不需要知道他走哪条路、遇到什么红绿灯——你只关心东西送到了没有。
效果有多夸张?
Anthropic 测试了一个真实场景,数据很惊人:
原本需要 15 万个 token（相当于让 AI 记住 15 万个字），现在只需要 2000 个——减少了 98.7%。
这意味着什么？
- 速度快了几十倍（处理的数据少了）
- 成本降了 98%（token 是要花钱的）
- 能做更复杂的事（省下来的"脑容量"可以用在更重要的地方）
就像你的手机内存从 2GB 突然变成 100GB，能装的东西、能跑的程序完全不是一个量级。
这背后藏着什么洞察？
你可能会想：这不就是"优化流程"吗？有什么深刻的？
深刻的地方在于——它重新定义了我们该怎么用 AI。
过去一年，所有人都在做同一件事：给 AI 接更多工具。
好像工具越多，AI 就越强大。但我们忽略了一个基本事实：AI 的"大脑"是有容量限制的。
这就像你想让员工变得更能干，于是不停给他培训——财务、法务、市场、技术、人事……结果他脑子装不下了，反而什么都做不好。
Anthropic 的方案提醒我们:不要只想着给 AI 塞更多东西,而要想办法让 AI 更聪明地使用已有的东西。
这让我想到宜家的设计哲学。宜家不会给你一个装满 100 种工具的工具箱,而是给你一把六角扳手——因为他们设计的所有家具,都能用这一把扳手搞定。
重要的不是工具多，而是工具组织得好、用得对。
当然,没有完美的方案
这个方法也不是没有代价。
第一，得有个"工作间"。 你需要给 AI 搭建一个安全的执行环境，就像给员工配一个独立办公室。这需要额外的基础设施投入。
第二，安全风险。 AI 在工作间里自己操作数据，你得确保它不会"越权"——比如误删重要文件，或者把机密信息传到不该去的地方。
第三，不是所有场景都需要。 如果你的 AI 只用三五个工具，传统方式也够用。这个方案更适合那些需要连接几十上百个工具的复杂场景。
为什么这件事重要？
我觉得这篇文章的价值，不只是提出了一个技术优化方案。
它让我们重新思考：什么叫"给 AI 赋能"？
我们以为，给 AI 接 100 个工具就是赋能。但其实，如果这 100 个工具让它变慢、变笨、变贵，那反而是负担。
真正的赋能,是让 AI 用更少的资源,做更多的事。
这有点像整理房间。房间小不是问题,塞满杂物才是问题。聪明的收纳方式,能让 30 平米的房间住得比 100 平米还舒服。
AI Agent 也是一样。
最后说一句：Anthropic 这篇文章虽然思路很清晰，但目前还只是"概念"——他们没给出能直接用的代码。所以还需要开发者自己去实现。
不过，Cloudflare 也提出了类似的方案，看来这个方向已经成为共识。
说不定过不了多久，你用的 AI 工具就会默认采用这种架构。
到那时候，我们大概会发现：让 AI 变快变便宜，不需要更强的模型，只需要更聪明的用法。
就像你不需要买更大的房子，你需要的是学会断舍离。