Stop med at brænde dit kontekstvindue – Sådan skærer vi MCP-output med 98 % i Claude Code

Den skjulte skat på hver AI-drevet arbejdsgang

Hvis du har brugt meningsfuld tid på at bygge med AI-kodningsassistenter, er du ramt muren. Ikke den, hvor modellen hallucinerer eller misforstår din hensigt - den mere subtile, mere frustrerende, hvor din perfekt dygtige AI-partner pludselig mister plottet midt i samtalen. Den glemmer filstrukturen, du diskuterede for tre beskeder siden. Den genlæser filer, den allerede har analyseret. Det begynder at modsige sine egne tidligere forslag. Synderen er ikke modelkvalitet - det er udmattelse af kontekstvinduet, og den største enkeltbidragyder er oppustet værktøjsoutput, som ingen bad om.

Dette problem er ikke teoretisk. Teams, der bygger på MCP-integrationer (Model Context Protocol) i Claude Code, Cursor og lignende AI-drevne udviklingsmiljøer, opdager, at deres værktøjssvar rutinemæssigt returnerer 50x til 100x flere data, end modellen faktisk har brug for. En simpel databaseforespørgsel returnerer fulde skemadumps. En filsøgning returnerer hele mappetræer. Et API-statustjek returnerer paginerede logfiler, der går uger tilbage. Hver overskydende token tærer sig ind i det endelige kontekstvindue, hvilket forringer ydeevnen på de opgaver, der faktisk betyder noget. Rettelsen er ikke kompliceret, men den kræver et grundlæggende skift i, hvordan du tænker om AI-værktøjsdesign.

Hvorfor kontekst Windows går i stykker, før modeller gør det

Moderne store sprogmodeller som Claude har generøse kontekstvinduer - 200K tokens i mange konfigurationer. Det lyder enormt, indtil du indser, hvor hurtigt værktøjstunge arbejdsgange optager det. Et enkelt MCP-værktøjskald, der returnerer en fuld databasetabel med 500 rækker, kan brænde 15.000-30.000 tokens i ét svar. Kæd fem eller seks af disse opkald sammen i en fejlfindingssession, og du har brugt halvdelen af ​​dit kontekstvindue, før du skrev en enkelt linje kode. Modellen bliver ikke dummere – den løber bogstaveligt talt tør for plads til at holde din samtale i hukommelsen.

Sammensætningseffekten er det, der gør dette så ødelæggende. Når kontekst bliver komprimeret eller afkortet for at passe til ny information, mister modellen adgang til tidligere instruktioner, arkitektoniske beslutninger og etablerede mønstre fra din samtale. Du ender med at gentage dig selv, genetablere konteksten og se AI'en lave fejl, den ikke ville have lavet ti beskeder tidligere. For ingeniørteams, der sender funktioner på stramme tidslinjer, oversættes dette direkte til tabte timer og forringet kodekvalitet.

Hos Mewayz stødte vi på netop dette problem, mens vi byggede vores forretningsplatform med 207 moduler. Vores udviklingsworkflow er stærkt afhængig af AI-assisteret kodning på tværs af indbyrdes forbundne moduler - CRM, fakturering, løn, HR, analyse - hvor en ændring i ét modul ofte går over i andre. Da vores MCP-værktøjsoutput var oppustet, ville Claude miste overblikket over afhængigheder på tværs af moduler inden for en enkelt session. Løsningen krævede, at vi genovervejede hver værktøjsreaktion fra bunden.

98 % reduktionsrammen: Fire principper, der ændrede alt

At reducere MCP-output med 98 % handler ikke om at fjerne information – det handler kun om at returnere den information, som modellen skal bruge for at træffe sin næste beslutning. Sondringen betyder noget. Et værktøj, der returnerer en brugerpost, behøver ikke at inkludere alle felter, når modellen kun spurgte, om brugeren eksisterer. En filsøgning behøver ikke at returnere filindhold, når modellen kun har brug for filstier. Hvert svar skal besvare det spørgsmål, der blev stillet, intet mere.

Her er de fire principper, der drev vores optimering:

Returner oversigter, ikke datasæt. I stedet for at returnere 200 rækker fra en forespørgsel, skal du returnere et antal plus de 3-5 mest relevante rækker. Hvis modellen har brug for mere, kan den bede om en bestemt skive. Denne enkelt ændring reducerer typisk output med 80-90 % på datatunge værktøjer.

Brug strukturerede, minimale skemaer. Fjern alle felter, der ikke er direkte relevante for værktøjets erklærede formål. Et "tjek implementeringsstatus"-værktøj skal returnere status, tidsstempel og fejl (hvis nogen) - ikke det fulde implementeringsmanifest, miljøvariabler og byggelogfiler.

Imp

Frequently Asked Questions

What is context window exhaustion and why does it matter?

Context window exhaustion occurs when an AI coding assistant runs out of usable memory mid-conversation due to bloated tool outputs. This causes the model to forget earlier context, re-read files unnecessarily, and contradict its own suggestions. For teams relying on AI-powered development workflows, this silently degrades productivity and output quality, turning a capable assistant into an unreliable one without any obvious error message.

How did you reduce MCP output by 98%?

We restructured our MCP tool responses to return only essential data instead of verbose, unfiltered outputs. By implementing smart summarization, selective field returns, and context-aware truncation, we eliminated the noise that was consuming precious context tokens. The result is that Claude Code maintains coherent, productive conversations for significantly longer sessions — enabling complex, multi-step engineering tasks without losing the thread.

Does this optimization work with platforms like Mewayz?

Absolutely. Mewayz is a 207-module business OS starting at $19/mo that relies on efficient AI automation across its entire platform. Optimized MCP outputs mean AI-assisted workflows within tools like Mewayz at app.mewayz.com run faster and more reliably, since every saved token translates directly into longer productive sessions and more accurate responses when managing complex business operations.

Can I apply these MCP optimization techniques to my own projects?

Yes. The core principles — minimizing response payloads, returning only requested fields, and summarizing large datasets before passing them to the model — are universally applicable. Whether you're building custom MCP servers or integrating third-party tools with Claude Code, auditing your tool outputs for unnecessary verbosity is the single highest-impact optimization you can make to extend productive conversation length.

Related Posts

• Vis HN: Jeg byggede en videnbase på 55K-ord e-mailmarketing og Claude Code-færdigheder
• Kyber (YC W23) ansætter en Enterprise Account Executive
• Vis HN: Unfudged – version hver ændring mellem commits – lokal først
• Claude Code fjernbetjening