La piattaforma Claude Code, uno degli strumenti di codifica assistita più utilizzati nella comunità degli sviluppatori AI, ha recentemente affrontato e risolto una delle criticità più sospirate dagli utenti: la gestione delle Model Context Protocol (MCP), ovvero il meccanismo che permette al modello di collegarsi e sfruttare tool esterni in modo flessibile e potente. L’annuncio è arrivato da Thariq Shihipar, membro del team tecnico di Anthropic, che ha spiegato come una nuova funzionalità chiamata MCP Tool Search sia ora disponibile per migliorare la capacità di Claude Code di lavorare con centinaia o addirittura migliaia di strumenti, caricandoli dinamicamente solo quando necessario invece di doverli pre-caricare tutti insieme nel contesto del modello.
La sfida principale che molti sviluppatori incontravano riguardava l’uso inefficiente del context window — ovvero lo spazio di contesto a disposizione del modello per comprendere e utilizzare le istruzioni, i tool e le informazioni di supporto in un’unica conversazione. Prima di questa modifica, quando un progetto prevedeva l’integrazione di molteplici tool MCP, il sistema doveva inserirli man mano nel contesto fin dall’inizio, consumando rapidamente molte risorse di token prima ancora che l’attività di coding potesse davvero cominciare. Alcuni utenti riferivano di setup con più server MCP che finivano per consumare decine di migliaia di token, riducendo drammaticamente lo spazio utile per il lavoro reale.
La nuova funzione MCP Tool Search cambia radicalmente questo approccio. Claude Code ora “rileva” quando le descrizioni dei tool MCP rischiano di occupare più del 10 % del contesto disponibile e, in tali casi, non li carica immediatamente ma attiva un meccanismo di ricerca dinamica che permette al modello di individuare, richiamare e inserire solo i tool effettivamente necessari in quel momento. In pratica, si tratta di una specie di lazy loading molto simile a quello che avviene nelle applicazioni software tradizionali per ottimizzare le prestazioni: gli strumenti e le risorse pesanti non vengono caricati fino a quando non servono realmente, evitando sprechi e migliorando la fluidità dell’esperienza di codifica.
Questa rivoluzione nell’uso dei tool MCP non è solo una semplice ottimizzazione tecnica. Per molti sviluppatori che integrano ambienti complessi, server multipli o pipeline elaborate basate su Claude Code, la difficoltà principale non era tanto far funzionare gli strumenti, quanto gestire il modo in cui venivano presentati al modello senza saturare il suo contesto utile. La capacità di Claude di effettuare ricerche tramite parole chiave — inclusa una combinazione di ricerca natural language e basata su espressioni regolari — significa che il sistema può iterare e affinare i termini di ricerca per trovare il tool più pertinente prima di caricarlo nel flusso di lavoro. Quel che poteva sembrare un piccolo miglioramento è invece un cambiamento sostanziale nella dinamica operativa di Claude Code, soprattutto per progetti su larga scala o quando si lavora con stack tecnologici molto diversi tra loro.
Anthropic ha inoltre pubblicato la documentazione necessaria per gli sviluppatori che vogliono adottare e sperimentare questa nuova funzionalità, un passo importante per favorire l’adozione e la standardizzazione delle migliori pratiche nell’uso di MCP all’interno di Claude Code. La risposta della community è stata positiva, con varie discussioni in corso tra utenti che condividono le loro esperienze su come questo aggiornamento risolve problemi di scalabilità o di “evaporazione” del contesto prima ancora che inizi il lavoro effettivo.
La risoluzione di questa criticità rappresenta anche un segnale più ampio sull’evoluzione degli strumenti di AI-assisted coding: mentre all’inizio l’enfasi era soprattutto sulla capacità del modello di generare codice corretto o comprensibile, ora emerge l’importanza di costruire infrastrutture che permettano a questi modelli di operare in ambienti complessi e con dipendenze esterne, proprio come farebbe un vero sviluppatore umano. Claude Code, con la sua nuova capacità di gestire dinamicamente gli strumenti via MCP, sta rispondendo a questa sfida, migliorando l’efficienza e l’esperienza di chi usa l’intelligenza artificiale per compiti reali e spesso articolati di programmazione.