Il client da riga di comando usa una notazione compatta e dichiara un risparmio fino al 97% nel tool discovery. Il progetto è ancora in beta e i risultati sono stime del maintainer.
Mcptoon è un client da riga di comando progettato per rendere più compatto l’uso del Model Context Protocol, o MCP, all’interno dei workflow basati su agenti di intelligenza artificiale. Il progetto affronta un aspetto poco visibile dell’automazione: la quantità di token necessaria per descrivere a un modello quali strumenti sono disponibili, quali parametri accettano e come devono essere richiamati.
Il maintainer dichiara una riduzione del 97% dei token impiegati nella scoperta degli strumenti e un risparmio compreso tra il 40% e il 60% nella restituzione dei risultati. Sono stime riferite all’impiego di TOON, la notazione compatta adottata dal progetto in alternativa alle strutture JSON più verbose. Le percentuali richiedono prudenza: nel materiale disponibile non compare una valutazione indipendente e il risultato effettivo può cambiare in base alla struttura degli strumenti, alla complessità degli schemi e al flusso operativo scelto.
Perché il tool discovery consuma token
MCP permette ad applicazioni e agenti AI di collegarsi a strumenti esterni attraverso un’interfaccia comune. Prima di selezionare una funzione, il modello deve conoscerne almeno il nome, la descrizione e gli argomenti previsti. Un server con numerosi strumenti può quindi generare un catalogo piuttosto esteso. Se queste informazioni vengono inserite nel contesto a ogni interazione, aumentano la quantità di dati elaborati e lo spazio sottratto alle istruzioni e ai contenuti utili per il compito.
Il problema diventa più evidente nei workflow articolati, dove un agente consulta diversi servizi oppure lavora attraverso più passaggi consecutivi. La descrizione degli strumenti viene trattata come una componente infrastrutturale, anche se può incidere sui costi delle API, sui tempi di elaborazione e sulla capacità del modello di mantenere nel contesto documenti e indicazioni operative.
Mcptoon prova a contenere questo carico attraverso una CLI che consente di amministrare le connessioni, consultare i manifesti, ispezionare gli strumenti e invocarli dalla shell. L’idea è adatta agli ambienti in cui l’agente può già eseguire comandi, come Claude Code, Codex e Cursor, oltre ad altri sistemi dotati di accesso al terminale.
Una CLI per esplorare e richiamare gli strumenti
Il client espone comandi come init, list, manifest, inspect e call. Sono presenti anche funzioni per aggiungere o rimuovere configurazioni e controllare l’utilizzo locale. Questa struttura permette di immaginare un flusso progressivo: l’agente consulta l’elenco delle risorse disponibili, approfondisce lo schema dello strumento pertinente e infine esegue la chiamata con gli argomenti richiesti.
L’approccio può evitare di trasferire in anticipo l’intero catalogo degli strumenti. La sua efficacia dipende dall’integrazione con l’agente e dalle decisioni prese durante l’esecuzione: un sistema capace di richiedere soltanto le informazioni necessarie beneficia maggiormente di una rappresentazione compatta e di una scoperta graduale.
Il supporto dichiarato comprende i trasporti stdio e HTTP, due modalità comuni per comunicare con server MCP locali o raggiungibili attraverso la rete. Il progetto include inoltre una cache degli schemi, pensata per ridurre le operazioni ripetute, e un sistema locale di tracciamento dell’utilizzo. Le operazioni classificate come pericolose vengono bloccate in assenza di un flag esplicito, introducendo un passaggio intenzionale prima dell’esecuzione.
Il ruolo della notazione compatta
Il principale elemento distintivo è TOON, una notazione scelta per esprimere dati strutturati con un numero inferiore di token rispetto al JSON. Nei sistemi generativi la dimensione testuale di un oggetto non coincide sempre con il numero dei token: nomi ripetuti, parentesi, virgolette e altre componenti sintattiche possono produrre una codifica più costosa di quanto suggerisca il semplice conteggio dei caratteri.
Una sintassi più compatta può risultare utile quando gli stessi schemi vengono passati frequentemente al modello. Il vantaggio tende a crescere con cataloghi ampi e strutture ripetitive. Per valutare il risparmio reale occorrerebbe comunque considerare il modello utilizzato, il suo tokenizer, la quantità di metadati e il confronto adottato come base. Il 97% indicato dal progetto va quindi letto come un risultato dichiarato per il tool discovery, non come una riduzione garantita in ogni sessione MCP.
Conta anche la qualità delle informazioni conservate. Una descrizione estremamente breve può ridurre il consumo di token e offrire indicazioni insufficienti per scegliere lo strumento corretto. Una soluzione efficace deve mantenere un equilibrio tra compattezza, chiarezza dei parametri e capacità dell’agente di distinguere funzioni simili. Mcptoon propone una direzione tecnica concreta, la cui solidità andrà verificata su cataloghi e workflow differenti.
Un progetto leggero ancora in beta
Mcptoon è pubblicato come progetto Python con versione dichiarata 0.1.0. Il manifesto richiede Python 3.10 o successivo e non elenca dipendenze esterne. Il README indica la compatibilità con Windows, macOS e Linux. Queste caratteristiche facilitano le prove in ambienti locali e nelle pipeline che privilegiano strumenti piccoli, portabili e controllabili dalla shell.
Il changelog data la versione 0.1.0 al 27 luglio 2025 e descrive il progetto come beta. Alcune funzioni restano pianificate, tra cui la pubblicazione su PyPI, la scoperta automatica dei server stdio e una modalità serve. Sono sviluppi prospettici e non vanno confusi con le capacità già disponibili nel codice corrente.
La fase iniziale del progetto suggerisce un’adozione graduale. Un test utile può partire da un insieme circoscritto di server MCP, misurando separatamente i token impiegati nella scoperta, quelli utilizzati per i risultati e il numero di passaggi necessari all’agente. Questo metodo permette di capire se la compressione produce un beneficio complessivo oppure sposta parte del lavoro verso ulteriori chiamate di ispezione.
Le ricadute per i workflow professionali
La riduzione dell’overhead infrastrutturale interessa soprattutto le automazioni che collegano un agente a più servizi. Un flusso editoriale, per esempio, può coinvolgere un archivio documentale, un sistema di gestione dei contenuti e uno strumento di analisi. Le piccole imprese possono costruire sequenze analoghe attorno a dati aziendali, documenti e comunicazione. In questi scenari il catalogo delle funzioni cresce rapidamente e la sua descrizione diventa una voce da gestire con attenzione.
Una CLI compatta offre anche un vantaggio organizzativo: rende visibili e riproducibili le operazioni compiute dall’agente. I comandi possono essere osservati, registrati e inseriti in procedure esistenti. La combinazione tra shell e MCP avvicina gli agenti AI agli strumenti già utilizzati nello sviluppo software e nell’automazione, riducendo la necessità di costruire un’integrazione proprietaria per ogni servizio.
Mcptoon concentra l’attenzione su un livello tecnico destinato a diventare più rilevante con l’aumento degli strumenti collegati agli agenti. La qualità di un workflow dipende anche dal modo in cui l’agente scopre le proprie capacità e riceve i risultati. Se i risparmi dichiarati verranno confermati in prove più ampie, una gestione compatta degli schemi potrà contribuire a sessioni più efficienti e a un uso migliore della finestra di contesto. Per ora il progetto offre soprattutto una base sperimentale concreta per misurare un costo spesso trascurato dell’automazione con l’intelligenza artificiale.
Fonti
