模型上下文協定（MCP）已成為連接 AI 代理與外部數據的開放標準，但其擴展性一直面臨嚴重挑戰。傳統整合方式要求預先載入所有工具定義，當工具量達到成百上千時，會產生嚴重的「上下文膨脹」問題。Claude Code 近期正式實作了 MCP Tool Search，象徵著工具載入從「靜態預載」轉向「動態發現」的重大轉型。這場技術變革旨在讓 AI 代理能無縫處理數千個工具，而不必在每次對話開始前就塞爆 Token。
為什麼 MCP 「曾經」是 Token 消耗怪獸？#
在深入討論解決方案之前，我們需要先理解 MCP 是什麼，以及它為何曾經造成如此嚴重的 Token 消耗問題。
MCP：AI 世界的萬用轉接頭#
MCP（Model Context Protocol）是由 Anthropic 在 2024 年 11 月推出的開放標準，它就像 AI 應用程式的「USB-C 接口」，是一種通用的連接方式，讓 AI 模型能安全、標準化地存取外部即時資料與工具。若你還不熟悉 MCP，建議先閱讀 這篇文章 了解基礎概念。
「字典」問題：為何 Token 消耗如此驚人？#
這裡用「字典」來比喻 MCP 過往的困擾：傳統 MCP 客戶端在啟動時會將所有工具定義（Schema）一次性載入上下文，就像要求 AI 在開始工作前先**「背誦整本字典」**。每個 MCP 伺服器都帶有詳細的工具定義、參數、與描述，這些資訊在對話開始前就會佔用大量空間。
要用 MCP，載入工具定義當然很重要，但問題是：不見得所有工作都會用到這麼多 MCP 啊！
實測數據顯示，這個問題有多嚴重：
- 連結 5 個常用伺服器（如 GitHub、Slack 等，共 58 個工具）可能在你開口前、就消耗 5.5 萬個 Token
- 在極端案例中，未經最佳化的工具定義甚至會佔用高達 13.4 萬個 Token
- 這相當於佔用有效上下文空間的 15～50%
除了空間消耗外，這還會帶來嚴重的副作用：
- 成本與延遲增加：每次對話都需要傳輸大量工具定義
- 模型選擇準確度下降：當工具數量超過 30～50 個時，Claude 準確選擇工具的能力會大幅下降（Context Rot）
- 語義混淆：名稱相似的工具（例如
send-user與send-channel傻傻分不清楚）在龐大的清單中很容易被誤選
解方：Tool Search Tool 如何解決 MCP 的「Token 爆炸」？#
Anthropic 在 2025 年 11 月推出了多種提升 MCP 執行效率的功能（Advanced Tool Use），其中 Tool Search Tool 是解決「字典問題」的核心方案。
核心概念：從「背字典」到「查字典」#
Tool Search Tool 的核心理念很簡單：不要求 AI 預先背誦所有工具定義，而是讓它在需要時動態搜尋。開發者只需在工具定義中標記 defer_loading: true，該工具就不會被預載，而是進入「待發現」目錄。
當 Claude 需要特定功能時（如：發送 Slack 訊息），它會先透過搜尋工具找到相關的工具定義，系統才會將該工具的詳細說明書（Schema）載入 Context。這就像從「背字典」變成「查字典」，大幅減少了初始負擔。
（圖表來源：好豪與 Nano Banana Pro 協作)）
兩種搜尋變體：Regex 與 BM25#
Tool Search 並非單一技術，而是提供了兩種主要的搜尋變體，這是實作「動態發現」的關鍵：
Regex（正則表達式）
讓 AI 能建構 Python 的 re.search() 模式來精確檢索工具名稱。例如，建立 get_.*_data 可以一次找出所有「獲取數據」相關工具。這適合開發者明確知道工具命名規則的情境，能夠高效率地批次查找相似功能的工具。
BM25（自然語言搜尋）
讓 AI 能用直覺的關鍵字（如「weather」）找到對應工具。這是一種基於自然語言查詢的算法，對於工具數量龐大、命名不規則的環境特別重要。它降低了 AI 的搜尋門檻，讓模型可以用使用者的日常語言來找工具。
驚人的效能數據#
Tool Search Tool 的實測效果非常顯著：
- 初始載入：從 5.5 萬 Token 減少至約 500 Token
- 節省比例：高達 95%
- 規模支援：單一目錄可容納高達 1 萬個工具
進階補充：Anthropic 同期推出的其他技術（點擊展開 ▼）
程式化工具調用 (Programmatic Tool Calling, PTC)：
- 讓模型寫 Python 程式碼串聯工具，而非一次次由模型介入調用
- 中間數據留在沙盒處理，僅將最終結果傳回模型
- 複雜任務 Token 消耗減少約 37%
- 參考：Code execution with MCP
工具使用範例 (Tool Use Examples)：
- 提供具體 JSON 範例引導模型理解複雜參數（如日期格式或 ID 慣例）
- 準確性從 72% 提升至 90%
- 注意：目前與 Tool Search Tool 不相容，需擇一使用
- 參考：Introducing advanced tool use on the Claude Developer Platform
實作進程：Claude Code 用戶能用了嗎？#
Anthropic 工程師 Thariq 於 2026 年 1 月 15 日正式宣布在 Claude Code 逐步更新 MCP Tool Search 功能，回應了開發社群對「MCP 伺服器延遲（動態）載入」的高度需求。
（圖表來源：好豪與 Nano Banana Pro 協作)）
預設自動開啟：v2.1.7 的重大更新#
在 v2.1.7 版本中，Tool Search 模式已改為預設自動開啟。Claude Code 實作了一套智慧觸發機制：
- 10% 門檻自動觸發：當系統偵測到 MCP 工具描述佔用 Context Window 超過 10% 時，會自動改用搜尋模式載入
- 智慧平衡：低於門檻時維持預載，換取更快的響應速度
在更新的 v2.1.21 版本中，Anthropic 進一步最佳化了使用者體驗：
- 將 Tool Search 的搜尋過程改為簡短通知，而非直接顯示在對話流中
- 保持介面整潔，讓使用者專注於任務本身
使用技巧：如何用得更好？#
Tool Search Tool 雖然強大，但也需要一些配置策略才能發揮最大效益。
1. 保留核心工具策略#
一定有一些 MCP 工具你超常用、天天用，常用到你會覺得 AI 根本不需要「考慮」該不該載入、MCP 用就對了。
因此，Claude 開發團隊建議將 3～5 個最常用的工具設為 defer_loading: false（即預載載入）。這能確保最常見的任務（如檔案讀取、基本查詢）不需要額外的搜尋推理步驟，在保持系統回應速度與節省 Token 之間取得最佳平衡。
2. 精準描述的撰寫技巧#
Tool Search 需要名稱與描述進行「連連看」，因此開發者應在描述中加入清楚的語義關鍵字，符合使用者描述任務的方式：
- ✅ 好的描述：「搜尋客戶訂單記錄並回傳詳細資訊」
- ❌ 不好的描述：「執行查詢」
對於 Regex 變體，可以使用 (?i)slack 進行不區分大小寫的搜尋，提高匹配靈活性。
3. 自訂觸發門檻（auto:N）#
進階使用者可以使用 auto:N 語法來調整自動啟用的百分比門檻：
- 例如：
auto:20代表佔用 20% 時才開啟搜尋模式 - 讓工具管理更符合個別專案的需求
4. 緩存最佳化提醒#
Tool Search 特別設計為不會破壞 Prompt Caching：
- 系統指令和 3～5 個核心工具可以被固定在快取中
- 動態加入的工具則會自動在後續對話中擴展並重複使用，不會導致快取失效
不是 Claude Code 用戶也有解方：mcp-cli#
對於非 Claude Code 的使用者，有一個由 Google 資深 AI 工程師 Philipp Schmid 開發的開源專案 mcp-cli，它實現了 Tool Search 解決方案，是作者將它稱為 Dynamic Discovery。
適用工具#
mcp-cli 適用於以下 AI 工具：
- Gemini CLI（Google）
- 自建 AI Agent（使用 Bash 執行能力）
- 任何支援命令列工具調用的寫程式 Agent
運作原理：與 Claude Code 相同#
mcp-cli 的核心邏輯與 Claude Code Tool Search 相同：動態發現 + 按需求載入。它透過 CLI 介面模擬 Tool Search 的搜尋機制，提供了三步工作流：
- Discover（發現）：
mcp-cli info列出所有可用的伺服器與工具清單 - Inspect（檢查）：
mcp-cli info <server> <tool>獲取特定工具的 JSON Schema 與參數定義 - Execute（執行）：
mcp-cli call正式啟動工具調用
更多細節請參考 Philipp Schmid 的介紹文章。
（同樣）驚人的效能數據#
根據作者所述，mcp-cli 的實測效果甚至優於 Claude Code 官方實作：
- 6 個 MCP 伺服器（60 個工具）：從 47,000 Token 降至 400 Token
- 節省比例：高達 99%
這證明了「動態發現」不一定要依賴模型內建功能，透過一個設計精良的 CLI 橋接器，即使不是 Anthropic 的 AI Agent，也能享受減少 Token 消耗的紅利。
結語#
Context 管理已成為 AI 開發的核心能力。透過延遲載入與動態發現，AI 代理的能力上限將不再受限於 Token 數量，是讓 AI 代理邁向規模化應用的關鍵轉捩點。無論是 Claude Code 的內建 Tool Search，還是 mcp-cli 的開源實作，都給了 AI 開發者們一個清晰的方向：未來的 AI 代理將能夠處理成千上萬個工具，而開發者不需要再為上下文膨脹而焦慮。
參考資料：