Okta利用MCP作用域降低AI代理Token成本

随着大语言模型（LLM）与智能体（AI Agent）技术的快速发展，如何高效连接外部工具与数据源已成为行业焦点。Model Context Protocol（MCP）作为一项开放协议，旨在解决这一难题。然而，MCP在带来便利的同时，也引发了新的成本挑战——每一个工具定义都会占用宝贵的Token上下文窗口。身份管理巨头Okta近日提出，通过身份作用域（identity-scoped）来收缩MCP工具列表，可有效降低AI代理的Token消耗。

“工具税”：被忽视的Prompt开销

MCP服务器可以提供大量工具，每个工具都包含名称、描述、参数结构（Schema）等元数据。当一个AI代理执行任务时，它发出的每一次模型调用，都会在Prompt中附带该MCP服务器暴露的全部工具定义。Okta将这部分因工具列表产生的额外Token消耗称为“工具税”（tool tax）——模型需要逐一“考虑”这些工具，理解它们的功能与调用方式，即使最终只使用其中一两个。

Okta指出，每个模型调用都包含每个工具的模式（schemas）、名称、描述和参数，这种机制在复杂MCP环境中会迅速累积成巨大的Token开销。

在实际部署中，一个MCP服务器可能暴露上百个工具，而单个Agent任务往往只需要其中少数几个。传统做法是手动配置工具白名单，但这会显著增加运维成本，且无法适应动态权限变化。Okta的方案则另辟蹊径：将工具列表与发起调用的用户身份绑定。根据用户的角色、权限和上下文，动态筛选出该用户可用的工具子集，从而将Prompt中的工具定义数量控制在最低限度。

身份驱动：让MCP更轻量、更安全

Okta本身是身份与访问管理（IAM）领域的头部厂商，其核心能力是管理用户身份和权限。这一次，他们将这些能力引入到AI Agent的MCP调用链中。具体而言，当AI代理代表某个用户执行操作时，Okta会实时评估该用户的身份属性与授权策略，只允许工具列表中出现该用户有权访问的工具。这种做法不仅减少了Token消耗，还从机制上防止了模型“看到”未授权的工具，降低了安全风险。

这一思路与零信任安全模型高度契合。传统上，MCP工具一旦发布，所有调用者都能获取其完整定义；而Okta的方案则实现了“最小权限”原则在工具层面的落地。对于企业客户而言，这意味着AI代理与第三方工具交互时，能够更精确地控制数据暴露面，同时节省可观的Token费用。

行业背景：MCP生态与Token成本的博弈

MCP协议由Anthropic于2024年底提出，随后获得了OpenAI、微软等巨头的支持，并迅速成为连接AI模型与外部数据源的事实标准。然而，该协议在设计之初并未充分考虑Token经济性。随着AI代理从概念走向生产环境，推理成本成为制约落地的关键因素之一，而Prompt中的冗余信息正是Token消耗的大头。

业内此前已有多种优化策略，例如精简工具描述、采用更高效的模型、使用上下文缓存等。但Okta的切入角度更为独特——它从“请求者的身份”出发，在源头过滤工具列表。这种做法不仅适用于Okta自身的身份网关，也可以被其他身份服务商或MCP中间件借鉴。可以说，Okta正在将身份治理能力转化为AI基础设施中的一项关键优化组件。

编者按：成本优化与安全治理的交汇点

Okta的方案给行业带来的启示不只是Token成本的降低。它表明，在AI代理大规模使用时代，身份与访问管理将不再是后台的“守门人”，而是成为前端的“智能过滤器”。通过将权限语义注入到模型上下文构建过程中，企业可以在不失安全性的前提下，显著提升AI调用的效率和成本效益。

当然，该方案也面临一些挑战。例如，动态权限变更可能导致缓存失效，复杂的多跳授权链可能增加延迟，而这些都需要在工程实践中验证。但无论如何，Okta已经指明了一个值得期待的方向：让每一次模型调用都更加精准、克制的“按需取用”，而非全量加载。这或许正是AI代理走向规模化落地的一把钥匙。

本文编译自AI News