Code Mode MCP Server: Pendekatan Baru Memungkinkan AI Menulis Kode Alih-alih Melakukan Tool Calls

Implementasi baru dari konsep Code Mode milik Cloudflare sedang mendapat perhatian di komunitas developer, menawarkan pendekatan alternatif tentang bagaimana sistem AI berinteraksi dengan tools dan layanan. Alih-alih berjuang dengan multiple direct tool calls, sistem ini memberikan large language models (LLMs) sebuah tool tunggal yang memungkinkan mereka menulis kode TypeScript atau JavaScript untuk menyelesaikan tugas-tugas kompleks.

Code Mode MCP Server merepresentasikan pergeseran dalam cara berpikir tentang kemampuan AI. Daripada memaksa AI untuk melakukan individual tool calls melalui interface tradisional, sistem ini menyediakan satu primary tool yang disebut execute_code yang berjalan dalam sandboxed environment. AI menulis kode yang membuat HTTP requests untuk mengakses berbagai MCP (Model Context Protocol) servers melalui sistem proxy.

Fitur Keamanan:

• Sandbox Deno dengan akses jaringan saja
• Tidak ada akses filesystem, environment, atau sistem
• Batas waktu eksekusi 30 detik
• Akses server MCP terkontrol melalui proxy
• Pembersihan file sementara otomatis

Komunitas Melihat Potensi dalam Pendekatan Code-First

Developer sedang mendiskusikan apakah pendekatan ini mengatasi keterbatasan nyata dalam penggunaan AI tool saat ini. Percakapan komunitas mengungkapkan bahwa strategi-strategi berbeda sedang muncul untuk bekerja dengan kekuatan AI daripada melawannya. Beberapa developer memodelkan tools mereka berdasarkan API yang umum digunakan yang telah dilatih secara ekstensif pada sistem AI, menggunakan pola-pola familiar seperti glob tools untuk structure discovery dan search functions.

Diskusi ini menyoroti observasi ekosistem yang menarik - implementasi khusus ini menggunakan ketiga major JavaScript runtimes: Bun untuk main code, Deno untuk sandboxing, dan Node untuk menjalankan MCP servers. Pilihan ini mencerminkan keadaan terfragmentasi saat ini dari ekosistem JavaScript.

Persyaratan Sistem:

• Bun (versi terbaru)
• Deno (untuk sandbox eksekusi kode)
• Klien yang kompatibel dengan MCP ( Claude Desktop , Cursor , VS Code dengan Copilot )

Implementasi Teknis dan Manfaat Workflow

Sistem ini bekerja dengan memulai HTTP proxy pada localhost yang meneruskan requests ke MCP servers yang sebenarnya. Ketika AI perlu melakukan tugas, ia menulis kode menggunakan fetch() calls standar alih-alih mempelajari sintaks tool spesifik. Kode ini dapat menggabungkan multiple operations secara natural, memproses data antar calls, dan menangani workflow kompleks dalam satu eksekusi.

Anggota komunitas sangat antusias tentang potensi sistem AI untuk membangun dan menggunakan kembali code libraries dari waktu ke waktu. Seorang developer menyebutkan mengimplementasikan sistem memori yang memungkinkan AI menyimpan code snippets dan workflows yang berguna, menciptakan repository yang berkembang dari automation patterns.

Nanti saya ingin melihat apa yang akan terjadi jika Anda memberikan LLM sebuah repo untuk menyimpan snippets dan functions yang berguna dengan komentar untuk digunakan nanti. Jadi LLM itu sendiri akan menyimpan workflows, dapat mengimpornya ke dalam Deno environment dan menggabungkannya bersama-sama.

Endpoint Proxy yang Tersedia:

• GET /mcpservers - Menampilkan daftar server MCP yang tersedia
• GET /mcp/[server]/tools - Menampilkan daftar tools untuk server tertentu
• POST /mcp/call - Memanggil tool dengan body JSON: {server, tool, args}

Pertimbangan Keamanan dan Praktis

Implementasi ini mencakup beberapa langkah keamanan untuk mengatasi kekhawatiran tentang eksekusi kode. Sistem menjalankan kode dalam Deno sandbox dengan akses jaringan saja, mencegah akses filesystem atau sistem. Sistem ini mencakup timeout eksekusi 30 detik dan pembersihan otomatis file sementara.

Namun, beberapa anggota komunitas mengekspresikan skeptisisme tentang pendekatan ini. Kritikus berargumen bahwa menambahkan lapisan code generation memperkenalkan kompleksitas yang tidak perlu ketika tool calls sengaja dirancang untuk sederhana. Ada juga kekhawatiran yang lebih luas tentang ketergantungan pada infrastructure providers dan potensi vendor lock-in.

Debat ini mencerminkan pertanyaan yang lebih besar dalam pengembangan AI: apakah mengadaptasi tools untuk bekerja lebih baik dengan keterbatasan AI saat ini, atau meningkatkan sistem AI untuk bekerja lebih baik dengan interface tool yang ada. Seiring kemampuan AI terus berkembang, kedua pendekatan mungkin memiliki tempatnya dalam skenario yang berbeda.

Code Mode MCP Server tersedia sebagai proyek open-source, memungkinkan developer untuk bereksperimen dengan pendekatan ini dan berkontribusi pada diskusi yang sedang berlangsung tentang pola interaksi AI-tool yang optimal.

Referensi: Code Mode MCP Server