随着生成式人工智能技术的飞速发展，AI 智能体正逐渐从概念验证走向实际的企业级应用。这些智能体不仅能够理解自然语言，还能自主规划任务并调用外部工具来执行复杂操作。然而，在智能体大规模落地的过程中，一个日益凸显的瓶颈是高昂的运行成本，尤其是大语言模型（LLM）的 Token 消耗问题。近日，身份管理与安全领域的领军企业 Okta 提出了一种创新的优化策略，通过 MCP（模型上下文协议）的范围化控制，旨在显著降低 AI 智能体的 Token 成本，缓解业界普遍存在的“工具税”痛点。
什么是“工具税”？
Okta 在其最新的技术解析中，将智能体调用工具时产生的额外 Token 消耗形象地称为“工具税”。在实际应用中，当一个 AI 智能体需要使用外部工具（如查询数据库、发送邮件或调用 API）时，它必须先向大语言模型描述这些工具的功能。具体而言，智能体需要将工具的名称、描述、参数架构以及限制条件一并打包发送给模型。如果智能体尚未确定具体使用哪个工具，它往往不得不将所有可用工具的定义都塞入提示词中，导致上下文窗口迅速膨胀。
这种做法虽然保证了智能体拥有完整的工具库，但在频繁调用的情况下，会产生巨大的冗余数据。Okta 指出，这种因工具定义而消耗的 Token 并不产生直接的推理价值，却实实在在地增加了计算成本。对于需要 24 小时运行或处理海量请求的智能体系统来说，“工具税”往往是导致运营成本失控的主因。
Okta 的解决方案：身份范围的 MCP 工具列表
Okta 的解决方案核心在于“身份范围的 MCP 工具列表”。Okta 解释道，通过限定 MCP 服务器暴露的工具范围，AI 智能体在每次模型调用时，不再需要接收庞大的工具目录，而是仅包含与其当前任务或权限相关的工具信息。
这一机制类似于传统的软件工程中的“最小权限原则”。在身份认证与授权（IAM）领域，Okta 拥有深厚的技术积累。通过将身份范围引入 MCP 协议，Okta 允许开发者定义哪些工具可以被特定身份的智能体访问。如果智能体的任务是“用户登录”，它就无需在提示词中包含“数据备份”或“系统配置”等无关工具的定义。这种精准化的提示词注入方式，极大地压缩了上下文窗口的占用，直接降低了 Token 计费成本。
行业影响与应用前景
Okta 的这一举措对于构建企业级 AI 应用具有重要的行业指导意义。首先，它解决了智能体“知道太多”的冗余问题，使得智能体系统在保持功能完整性的同时，具备了极高的计算效率。其次，这一方案与 Okta 在身份安全领域的优势深度结合，为企业用户提供了一个“安全与成本兼得”的解决方案。
在安全性方面，身份范围的 MCP 工具列表意味着智能体在执行任务时，只能看到它被明确授权访问的工具。这有效防止了智能体在误操作或被恶意攻击时滥用敏感接口，增强了系统的防御能力。随着 MCP 协议逐渐成为连接 AI 模型与外部工具的标准协议，Okta 的这一策略有望成为行业新标杆，推动 AI 智能体从实验阶段迈向大规模商业部署阶段。
信息来源： Artificial Intelligence News
原文链接： https://www.artificialintelligence-news.com/news/okta-targets-ai-agent-token-costs-with-mcp-scoping/
信息来源：AI News，原文链接：https://www.artificialintelligence-news.com/news/okta-targets-ai-agent-token-costs-with-mcp-scoping/
