MCP 省 Token:精简工具与返回字段
作者实测十个 Apify Actor 的工具定义合计占用 27,797 个参考 Token,并分别统计真实运行结果。租房抓取器的三行结果通过筛选所需字段,从 7,434 个 Token 降至 298 个,展示了工具定义与返回数据两类独立开销。
AI 深度解读
给 Claude 或 Cursor 接上 MCP,工具定义和工具返回的数据,都可能占用上下文。作者启用了 10 个 Apify Actor,测得工具定义共 27,797 个参考 token;租房抓取结果只取 3 行,也有 7,434 个 token。保留任务需要的字段后,同一份结果降到了 298 个。
这组实验的价值,是把两个容易混在一起的优化点拆开:连接时选哪些工具,取数据时选哪些字段。但这些数字是载荷测量值,不能直接当成账单。
工具还没返回数据,定义就有一笔开销
Actor 是 Apify 上执行抓取等任务的程序,通过 MCP 暴露后,客户端可以调用它。模型要理解怎么调用,通常需要工具名称、说明和参数结构,这些定义也有体积。
作者使用 2026 年 11 月 18 日 UTC 的线上服务和运行结果,从 https://mcp.apify.com 的一次 tools/list 响应中取得定义。10 个 Actor 的定义合并成 JSON 数组后,共计 27,797 个参考 token;加上服务器共享的 4 个运行与存储工具,完整数组达到 31,598 个。
对会预先加载工具定义的客户端,缩小工具列表有助于减少这部分载荷。作者给出的租房工作流连接是:
https://mcp.apify.com?tools=automatic/inmuebles24-mx-scraper
它选择 Inmuebles24 租房 Actor,同时保留共享的运行与存储工具。探索任务尚不明确时,较宽的工具列表仍有用途。
工具列表决定可用定义的范围,数据请求决定返回结果的大小,两处需要分别控制。
为什么只取 3 行,仍然会返回几千个 token
作者运行了每个 Actor,再通过 get-dataset-items 读取默认数据集,统一设置 limit=3,从 offset=0 开始取数。
限制行数不等于限制体积。一行可以包含很多字段,字段里也可能装着长文本。在这次样本中,Treasury 数据的返回结果甚至大于评论数据,因为每行包含多个期限对应的利率和变化字段。
最明显的对比来自 Polanco 租房数据。作者保持数据集、偏移量和行数不变,只增加:
fields="price,currency,totalAreaM2,bedrooms"
完整 MCP 结果从 7,434 降到 298 个 token,减少约 96%。这叫字段投影,即只返回指定列。
不过,投影不会补齐数据。第一条房源的面积和卧室数量仍然是 null。如果要算每平方米价格,除了 price,还得请求面积和币种;保留缺失值,才能判断哪些记录无法计算。
用于 Claude 或 Cursor 的请求可以具体写成:「读取本次运行默认数据集的 3 条记录,只取 price、currency、totalAreaM2、bedrooms,保留 null,展示单位和来源币种。」
如果要计算整个数据集,作者建议在代码中完成,再把汇总交给模型。
怎么复测,才不会把参考 token 当成账单
作者使用统一的 tiktoken 编码器 cl100k_base 计数。实际模型的分词、客户端加载方式、缓存,以及 MCP 结果处理方式,都会影响最终输入和费用。
这里统计的完整结果同时包含 MCP 文本内容和结构化内容,两者存在数据重叠。客户端最终如何传给模型,原文没有逐一验证。
复测时,需要保存 tools/list 的 JSON-RPC 响应,以及调用 get-dataset-items 的一次 tools/call 响应,分别命名为 tool-list.json 和 dataset-call.json。若响应采用 SSE,就取匹配的 data: 行中的 JSON。
下面这段代码去掉 JSON-RPC 外层封装,分别统计工具定义和结果:
import json
from pathlib import Path
import tiktoken
encoding = tiktoken.get_encoding("cl100k_base")
def count(value):
wire = json.dumps(value, ensure_ascii=False, sort_keys=True, separators=(",", ":"))
return len(encoding.encode_ordinary(wire))
tools = json.loads(Path("tool-list.json").read_text())["result"]["tools"]
actors = [tool for tool in tools if tool["name"].startswith("automatic--")]
print("Actor definitions:", count(actors), "All definitions:", count(tools))
for tool in actors:
print(tool["name"], count(tool))
result = json.loads(Path("dataset-call.json").read_text())["result"]
print("Dataset rows:", len(result["structuredContent"]["items"]))
print("MCP result tokens:", count(result))
要看清最后一行:它统计整个 result,包含文本与结构化内容,并非只统计数据行。工具筛选则依赖 automatic-- 名称前缀,换一组工具时需要核对。
我的判断
这篇最有说服力的是同一份租房数据的字段裁剪对比:其他条件保持一致,返回体积确实大幅下降。它说明按任务选字段很有效,但不能推导出所有 Actor 都能减少 96%。
工具定义的测量也有参考价值,前提是客户端确实会加载这些定义。原文没有给出 Claude、Cursor 各自的加载和缓存对照,也没有提供实际账单差异。因此,「少启用工具能省多少费用」还不能定量回答。
相比只调小 limit,同时控制行数和字段更贴近任务需求;相比把全量数据交给模型计算,用代码汇总更适合明确的统计任务。不过,作者没有给出这两种计算方式的成本或准确率对照,后者属于工作流建议。
能拿来做什么
- 在 Claude 或 Cursor 中建立用途明确的 Apify 连接,例如租房任务只启用对应 Actor;探索阶段再保留更宽的工具范围。
- 预览抓取结果时,同时指定行数和字段,并明确保留
null、单位和币种,避免模型拿到数字却缺少计算条件。 - 用 Node 等代码处理全量数据的汇总计算,再把统计结果交给模型解释,减少传入上下文的数据量。
- 排查 MCP 开销时,分别保存工具定义和调用结果,用统一编码器比较修改前后的载荷,再以服务商实际 usage 核对计费 token。