传统AI Agent让LLM直接调用工具，但常面临灵活性与成本瓶颈。本文提出一种代码驱动方案：不直接调用工具，而是让LLM生成代码来调用工具，使Agent更灵活、高效且成本更低，为AI Agent架构提供了新视角。
智能速览
LLM更擅长写代码而非直接调用工具。
将MCP工具转换为TypeScript文件，方便代码调用。
Agent按需搜索并加载工具，再由LLM生成执行代码。
代码执行方式能轻松完成复杂的数据统计与聚合。
此方案显著降低了上下文消耗和模型调用成本。
未来Agent方向是通用工具与代码生成的结合。
精华内容
传统的AI Agent依赖LLM直接调用工具，但这种方式在灵活性和成本上存在瓶颈。一种新思路是让LLM生成代码来执行任务，这为构建更强大的Agent开辟了新道路。
核心理念：代码优于调用
LLM的本质更接近于一个强大的代码生成器，而非一个精确的工具调度器。传统方案中，让LLM从大量工具中选择并调用，不仅消耗上下文，还容易出错。新方案的核心理念是承认并利用LLM的这一特性，将复杂的工具链调用逻辑，转变为让LLM生成一段目标明确、逻辑清晰的代码。
这种转变从根本上改变了Agent的工作模式，使其从“工具调用者”升级为“任务程序员”，为处理复杂业务逻辑提供了更大的可能性。
实现流程：四步构建
该代码驱动的Agent实现过程分为四个步骤。第一步，将所有MCP工具及其Schema定义，提前转换为可调用的TypeScript文件，形成一个工具库。
第二步，当接收到用户问题时，Agent不会将所有工具都暴露给LLM，而是利用bash工具搜索工具库目录，找到与问题相关的工具文件。
第三步，将用户问题和筛选出的工具定义文件一同提交给LLM，指令其生成解决问题的可执行代码。这是整个流程的关键一步。
第四步，将生成的代码在本地沙盒环境中执行，并将最终结果返回给用户，从而完成整个任务闭环。
核心优势：灵活与降本
代码驱动方案的优势主要体现在两个方面。首先是极高的灵活性。通过生成代码，可以轻松实现多工具结果的聚合、复杂的数据统计、循环判断等传统工具调用难以完成的操作。例如，统计不同系统的工单数量，用代码仅需一句聚合函数即可实现。
其次是显著的成本优势。传统方案需要将大量工具定义和中间结果在LLM上下文中传递，成本高昂。而代码驱动方案中，LLM只需处理工具定义和最终结果，极大减少了Token消耗和API调用次数，降低了运行成本。
未来展望：简洁与通用
这种实践预示着未来Agent的发展方向。开发者不再需要设计大量细粒度的专用工具，而是应专注于构建少量高度抽象、可自由组合的通用工具。
Agent的核心能力将转变为：结合业务知识库，根据任务需求动态生成并执行代码。这种架构更加通用和简洁，能够适应更广泛的业务场景，是构建下一代智能应用的一种高效路径。
该代码驱动的Agent实践，通过巧妙地利用LLM的代码生成能力，解决了传统工具调用模式的灵活性与成本痛点，展现了构建更简洁、更强大AI系统的巨大潜力。这种将复杂性从工具设计转移到代码生成的思路，是否会成为未来复杂Agent设计的标准范式？
