大模型集成演进：从 Function Calling 到 MCP

Architecture Diagram

一、给 AI 装上手脚：Function Calling 到底是个啥？

1. 专业解释与大白话解读

专业解释： Function Calling（函数调用）是模型厂商（如 OpenAI、阿里云 Qwen）提供的私有接口功能。它允许开发者预定义一组工具（函数），当模型判断用户意图需要调用外部数据或执行特定操作时，它会输出符合函数签名的结构化参数（JSON），由后端执行后再将结果反馈给模型生成最终回复。

大白话解读： 想象你雇了一个很有才华但没手没脚的'军师'（大模型）。如果你问他'今天外面几度？'，他只能瞎编。但如果你递给他一个温度计（Function），告诉他怎么读数，他就能先看温度计，再告诉你：'主公，外面 35 度，建议宅着。'

生活案例： 这就像点外卖。你（用户）对大模型说'我饿了'。大模型（外卖员）不会自己做饭，但他知道调用'美团下单'这个函数，填好'红烧肉'和'你的地址'，最后把热腾腾的饭菜送到你手里。

2. 核心功能与代码示例

在 Qwen-Agent 等框架中，Function Calling 可以实现实时数据获取、复杂数学计算和外部系统操作。

# 示例：一个简单的天气查询函数注册
from qwen_agent.tools.base import BaseTool, register_tool

@register_tool('get_weather')
class WeatherTool(BaseTool):
    description = '获取指定城市的实时天气'
    parameters = [{'name': 'city', 'type': 'string', 'description': '城市名称，如：北京', 'required': True}]

    def call(self, params: str, **kwargs) -> str:
        # 这里模拟调用 API
        import json
        args = json.loads(params)
        city = args['city']
        return f"{city}今天晴转多云，25 度，适合摸鱼。"

二、实战演练：搭建你的'门票数据助手'

1. 业务场景介绍

我们需要搭建一个能查询门票销量的助手。它基于 tkt_orders 数据表，包含订单时间、用户 ID、省份、订单金额等字段。

Data Table

2. 进阶：一次调用，搞定查询 + 可视化

传统模式下，查数据和画图是分开的。但在进阶版 exc_sql 工具中，我们实现了自动推断图表字段并直接返回 Markdown 表格和图片。

核心逻辑实现：

SQL 查询： 执行 SQL 获取结果集 df。
自动绘图： 优先选字符串列做 X 轴，数值列做 Y 轴。
样式设置： 自动处理标签倾斜 45 度，防止文字重叠。

# 自动推断并绘图的逻辑片段
x_candidates = df.select_dtypes(include=['object']).columns.tolist()
x = x_candidates if x_candidates else df.columns
y_fields = df.select_dtypes(include=['number']).columns.tolist()

import matplotlib.pyplot as plt
plt.figure(figsize=(8, 5))
for col in y_fields:
    plt.bar(df[x].astype(str), df[col], label=col)
plt.xticks(rotation=45)
plt.savefig('chart.png')

三、MCP：AI 界的'USB-C'接口协议来了！

1. 什么是 MCP？

专业解释： Model Context Protocol (MCP) 是 Anthropic 推出的开放协议标准。它旨在标准化 LLM 与外部数据源、工具之间的交互方式，实现'一次开发，多模型兼容'。

大白话解读： 以前每个厂商的 AI 接口都不一样，像极了那个满地找充电线的年代（iPhone 是 Lightning，安卓是 Micro-USB）。MCP 就是 AI 界的 USB-C，管你是 Claude、GPT 还是 Qwen，只要插上这个'标准插口'，工具就能通通用起来！

2. MCP 核心架构

MCP Host： 运行 AI 的环境（如 Cursor, Claude Desktop）。
MCP Client： 负责发起请求的'翻译官'。
MCP Server： 提供具体功能的'工具库'。

AI 模型/Host <-> MCP Client <-> MCP Server
                      |
            -----------------
            |               |
      高德地图 API     本地数据库
      GitHub/Slack

四、玩转 MCP：从旅游攻略到桌面统计

1. CASE：高德地图旅游助手

通过配置 amap-maps-mcp-server，AI 可以自主调用关键词搜索、路径规划、天气查询等功能，直接为你生成一份详尽的大连一日游攻略，甚至帮你写好 HTML 网页呈现。

Map Case

2. CASE：桌面 TXT 统计器（MCP SDK 实战）

使用 Python 的 FastMCP 框架，几行代码就能让 AI 拥有'查看你桌面文件'的超能力。

from pathlib import Path
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("桌面统计器")

@mcp.tool()
def count_desktop_txt_files() -> int:
    """统计桌面上 .txt 文件的数量"""
    desktop_path = Path("~/Desktop").expanduser()
    return len(list(desktop_path.glob("*.txt")))

if __name__ == "__main__":
    mcp.run()

五、脑洞大开：未来 3 大拓展方案

在原有功能的基础上，我们可以进一步把 AI 的'触角'伸向更远的地方：

智能家居'边缘大脑'：
- 方案： 利用 MCP 协议连接本地 Home Assistant 服务器。
- 价值： 告别云端延时。即便断网，你也能对 AI 说：'看我眼神行事，把卧室灯调成猛男粉。'
AI 投资情报局：
- 方案： 集成 Tavily 搜索 MCP + 实时股价 Function Calling。
- 价值： AI 自动抓取半导体行业新闻，结合你本地的持仓数据，自动画出盈亏分析图并给出'割肉'建议。
自动化'代码裁缝'：
- 方案： 开发一个具备文件修改权限的 MCP Server，接入 IDE。
- 价值： 发现 Bug 后，AI 不仅仅是'建议'，它能直接'上手'改代码，测通后顺便帮你把 Jira 单子也关了。

六、总结

从私有的 Function Calling 到开放的 MCP，AI 正在从'只会聊天的复读机'进化为'能干活的打工人'。底层能力的进化，意味着开发门槛的进一步降低。

Summary Image

参考资料