用途：当 MCP 工具返回大型 API 响应（如 500 个 Kubernetes pod、200 个 SCIM 用户、数千条 GitHub issue）时，整个响应会进入 LLM 上下文，消耗 token 并降低性能。代码模式改为让 LLM 编写小型处理脚本，由 MCP 服务器在沙箱中针对原始数据运行，仅把脚本 stdout 放入上下文。对 LLM 已从训练数据中熟悉响应结构的知名 API（SCIM、Kubernetes、GitHub、Stripe、Slack、AWS 等）效果尤佳，典型可减少 65%–99% 上下文。
主要能力：这是一个交互式规划技能，按步骤与用户协作：理解现有 MCP 服务器（语言、框架、哪些工具返回大数据）；选择匹配服务器语言与安全需求的沙箱；共同规划实现；实现代码模式工具、沙箱执行器与基准测试；用基准对比前后上下文大小。
使用方式：先确认服务器语言与框架，再选沙箱。TypeScript/JavaScript 可选 quickjs-emscripten、pyodide、isolated-vm；Python 可选 RestrictedPython、pyodide、quickjs；Go 可选 goja、Wazero、starlark-go；Rust 可选 boa_engine、wasmtime/wasmer、deno_core、rustpython。随后规划：新增 MCP 工具（如 code_mode），接受 command/args、code、可选 language；执行底层 API 调用，将原始响应作为 DATA 字符串注入沙箱，运行脚本，仅返回 stdout 及大小测量行，如 [code-mode: 18.0KB -> 6.2KB (65.5% reduction)]。执行器需初始化沙箱、注入 DATA、捕获 stdout、设置超时（如 10 秒）并处理错误。最后注册工具、可选环境变量开关，并编写基准脚本对比输出大小。
适用场景：MCP 服务器中返回大型 API 响应的工具，尤其是知名 API。
限制：沙箱默认须与主机文件系统和网络隔离；DATA 始终为 JSON 序列化字符串，脚本需自行解析；需设置合理超时与内存限制；脚本失败时返回清晰错误供 LLM 修正。资料未提供具体安装命令、价格或平台信息。