随着 AI 智能体从简单的聊天机器人向自主工作者转型，它们正越来越多地依赖 Model Context Protocol (MCP) 来与外部工具和数据进行交互。然而，这种能力也带来了隐藏的财务和性能成本，而 Okta 正致力于解决这一问题。

理解 AI 编排中的“工具税”

当 AI 智能体通过 MCP 服务器与环境交互时，每一次模型调用都需要智能体理解其可用的能力。为此，系统必须将完整的工具架构（schemas）、名称、描述和参数传递到提示词上下文中。

Okta 将这一现象称为“工具税”。随着集成工具数量的增加，提示词开销呈指数级增长。这导致 Token 消耗显著增加，直接推高了运营成本，并增加了智能体每一步推理的延迟。对于管理数百种工具的企业级部署而言，这种开销可能成为预算和性能方面的重大瓶颈。

通过基于身份范围的 MCP 解决开销问题

为了缓解这种低效，Okta 正在引入基于身份范围的 MCP 工具列表（identity-scoped MCP tool lists）。Okta 的方法不再是将所有可用工具广播给每一个模型请求，而是利用身份与访问管理 (IAM) 来动态过滤工具集。

通过实施基于身份的范围限定，MCP 服务器仅提供经过身份验证的用户或智能体有权使用的特定工具定义。如果智能体代表一名初级员工行事，它仅接收总工具架构的一个子集；如果它代表管理员行事，它则接收全套工具。这确保了模型的上下文窗口不会被无关或未经授权的工具描述所充斥，从而有效地削减了每次推理调用所需的 Token 数量。

为什么这对 AI 生态系统至关重要

这一进展标志着从“以能力为中心”的 AI 向“以治理为中心”的 AI 的关键转变。随着开发者转向更复杂的智能体工作流，业界正意识到，规模化无法通过暴力提示（brute-force prompting）来实现。

Okta 的策略解决了企业级 AI 应用中最显著的两个障碍：成本优化和安全性。通过将工具暴露与身份绑定，Okta 不仅降低了“工具税”，还在协议层面强制执行了最小权限原则。这确保了 AI 智能体不会仅仅因为工具架构存在于提示词上下文中，就无意中发现或尝试调用敏感功能（例如数据库删除工具）。

核心要点

  • 减少 Token 浪费： 基于身份范围的 MCP 限制了发送给 LLM 的工具架构，直接降低了“工具税”并减少了推理成本。
  • 增强安全性： 通过基于用户身份过滤工具，Okta 实施了严格的访问控制，防止智能体访问未经授权的功能。
  • 可扩展的智能体工作流： 范围限定允许企业部署庞大的工具库，而不会像大规模 MCP 实现中常见的那样，导致延迟和提示词开销呈线性增长。

底线： 通过将工具暴露与身份绑定，Okta 在收紧安全性的同时，削减了阻碍大规模 AI 智能体部署的 Token 膨胀问题。此举推动了行业向以治理为中心的 AI 迈进，使成本、速度和访问控制成为协议内置的特性，而非事后补救。