Claude Code 接入云端工具网关实测
作者将 DigitalOcean Action Gateway 接入 Claude Code,通过搜索、调用和沙箱 Python 执行三类元工具访问工具目录。查询云主机规格与区域时,两项首选结果均命中正确工具并返回参数结构,十个候选结果合计约 3KB。
AI 深度解读
给编码 Agent 接工具,麻烦的不只是调用 API,还有工具发现、代码执行、账号授权和循环限流。作者把 DigitalOcean 的 Action Gateway 接到 Claude Code,测试的是这层基础设施:一个 MCP 入口,能替开发者省掉多少接线工作。
结果初步可用:两项搜索的首位结果都正确,沙箱每次运行都有干净环境,未授权调用也给出了明确的恢复提示。但这只是一次小范围实测,搜索准确率、启动耗时和长任务能力,都不能据此下定论。
16,000+ 个工具,怎么避免塞满上下文
DigitalOcean Managed Agents 进入 public preview 后,作者先试的是 Action Gateway,而非托管 Agent 的运行环境。原因很直接:对 Claude Code 这样的 MCP 客户端,最先接触到的就是工具入口。
Gateway 没有把整个目录暴露给模型,而是提供几个元工具:
action_search按任务描述寻找工具。action_invoke调用找到的工具。action_code在沙箱里运行 Python,代码内部也能调用工具。
所谓元工具,就是先给 Agent 一个「找工具、用工具」的入口,再按需获取具体能力。
作者在同一次请求中搜索 Droplet 规格和区域可用性,每项取 5 个结果。两个首位结果都正确,而且附带输入 schema,Agent 不必猜参数名。10 个候选的完整响应约 3 KB。
后面的结果也有偏差:包括 digitalocean_db-cluster-list-options、查询沙箱规格的 Harness Runtime 工具,以及得分为 0.58 的第三方 Daytona 区域工具。这说明搜索覆盖多个供应商,也说明结果仍需要筛选。
文档称,入口背后有 16,000+ 个工具,action_search 不收工具调用费。它的价值是让 Agent 反复查找时,不必一直携带整个目录的 schema。但「两次首位命中」只是这两个查询的结果,不能当作整体准确率。
沙箱够用,但每次调用都要自己交付结果
action_code 在微虚拟机(microVM)中运行 Python。作者打印出的环境如下,它回答的是代码实际拿到了什么资源:
python 3.12.16 x86_64 cpus 2
mem_kB 4034116
PRETTY_NAME="Debian GNU/Linux 13 (trixie)"
/dev/root 97G 1.7G 91G 2% /
重点看 CPU 和内存:2 个 vCPU、约 4 GB 内存,磁盘也有较多余量。作者执行 pip install orjson,耗时 1.4 秒,不过这只是一次安装记录,不能代表所有依赖的下载和安装速度。
每次调用都会重置环境。作者先写入 /tmp/marker,下一次检查得到 marker_from_previous_run_exists False。因此,不能指望前一次留下的文件在下一次继续存在。
启动时间也需要辨清。作者在 6 次独立调用开头读取 /proc/uptime,结果介于 8.34 到 8.96 秒。这个数表示虚拟机已经运行多久,不是用户等待了多久;作者无法判断请求到达前是否已有预备实例。
下面这段测试用来观察资源,并验证一次等待 45 秒的任务能否完成:
import os, shutil, time
print(open('/proc/uptime').read().split()[0], os.cpu_count())
print(shutil.disk_usage('/').free // 2**30, "GiB free")
t = time.time(); time.sleep(45); print("slept", round(time.time() - t, 1))
要看最后一行:这次调用成功返回了 slept 45.0,前两行输出为 8.34 2 和 90 GiB free。但这不能证明超时上限就是 45 秒。文档只说明,执行超时也包含内部调用其他工具的时间,原文没给出具体上限。
适合这种沙箱的任务,应当短、能结束,并且每一步都返回可用结果。
作者据此让 Agent 串联多个短步骤,把长任务交给支持 pause、resume、fork 的 Harness Runtime。不过后者还在他的待测清单里,本文没有给出它的实测表现。
授权错误能否让 Agent 知道下一步做什么
作者第一次在沙箱中调用 digitalocean_size-list,就遇到了未授权错误。他原以为已有的 DigitalOcean API token 可以直接使用,实际需要为 Gateway 单独建立 OAuth 连接,而且按供应商和用户分别关联。
错误在 102 ms 后返回。比速度更有用的是结构:class 为 unauthorized,retriable 为 true,recovery_hint 为 refresh_auth,同时附带给用户操作的授权链接和核对用验证码。
Agent 因而可以暂停,请用户完成授权,再重试调用。它不必盲目重复请求,也不该擅自寻找绕过授权的办法。
这里还有一层职责划分:由 Gateway 管理连接,凭证不经过模型。对需要访问多个供应商账号的 Agent,这能减少自行维护凭证流转的工作,但不等于工具调用天然没有风险。作者仍建议在控制台 Actors 页按类别设置 per-actor rate limits,再让 Agent 进入循环。
我的判断
我认同作者把注意力放在工具入口上。对于已经使用 Claude Code 的开发者,工具发现、授权恢复和临时执行环境,确实都是需要反复处理的工程问题。把它们集中起来,价值很具体。
但文章证明的是「这次接入跑通了」,距离「适合所有团队」还有距离。搜索只有两个查询;依赖安装只有一次记录;没有并发、复杂计算、失败率或费用对照。作者认为拆分调用成本很低,这是使用经验,不能直接理解成启动延迟和账单都可以忽略。
和直接接少量 MCP 工具相比,Gateway 更适合工具来源多、需要动态发现能力的场景。如果团队只调用几个固定接口,显式提供 schema 更容易控制。需要文件持续保留的任务,则应考虑持久执行环境,而不是依赖每次重置的沙箱。
能拿来做什么
- 给 Claude Code 接工具时,可以先复现「搜索、读取 schema、调用」这条链路,检查自己的常用任务是否也能找到正确工具。
- 把
action_code任务拆成有明确输出的短步骤,并让后续步骤显式接收所需数据,避免依赖前一次的临时文件。 - 在无人值守运行前,预先完成所需供应商的 OAuth 连接,并在 Actors 页设置分类限流,减少中途等待授权或循环调用失控的情况。
- 涉及长时间执行或持续状态时,再评估 Harness Runtime;本文没有验证它的实际表现,需要另做测试。