Function Call、MCP 与 Agent：大模型能力扩展的核心机制解析

• 本地通信：通过标准输入输出（stdio）传输，适用于 IDE 等本地工具集成。
• 远程通信：使用 SSE（Server-Sent Events）实现 HTTP 长连接，支持跨网络服务调用。

3、MCP Server 的核心功能

3.1、动态工具发现

MCP Server 允许 LLM 运行时动态获取已注册的工具列表（如数据库查询、文件操作等），无需硬编码集成，极大提升灵活性和扩展性。

3.2、权限控制与安全执行

支持细粒度权限管理（开发者/用户/模型层级），并通过沙箱技术（如 Docker、WASM）隔离工具执行环境，保障数据安全。

3.3、资源暴露与工具调用

可安全暴露本地文件、数据库记录或远程 API 服务，供 LLM 通过自然语言指令调用，例如查询 PostgreSQL 数据库或生成 3D 建模指令。

3.4、实时通信与上下文管理

支持双向通信（如 SSE 事件流），实时推送数据更新至 LLM，维持会话状态以优化多轮交互。

4、MCP Server 的应用

四、什么是 Agent？

Agent（智能体）指能够自主动态感知环境、规划任务并调用外部能力（外部服务、外部工具、数据库、MCP、Function Call 等）以实现目标的实体，具备环境交互、决策与学习能力。与普通程序最大的不同，Agent 具有环境感知的动态响应能力（如自动驾驶实时避障），而传统程序仅按预设流程执行。

Agent 可以调用外部服务（工具、数据库等），具备自主决策能力，完成复杂任务。它可以调用 MCP、Function Call 等能力。

1、Agent 的特征

其核心特征是'自主代理，动态规划'，代替用户或系统完成任务。

• 自主决策：能够根据目标制定计划。
• 状态记忆：能够保持上下文连贯性。
• 迭代改进：能够根据反馈动态调整策略。
• 情境感知：通过多模态传感器融合（如 Tesla 的 8 摄像头 + 雷达系统）。

一般的核心工作流模型为：环境输入 → 感知滤波 → 状态评估 → 策略生成 → 动作执行 → 效果反馈。

2、Agent 的形态

根据形态可分为：

• 软件 Agent：如聊天机器人、推荐算法。
• 物理 Agent：如自动驾驶汽车、工业机器人。
• 混合 Agent：如无人机搭载视觉识别系统。

3、Agent 的工作时序图

五、Function Call vs MCP vs Agent

Function Call 是指大模型直接调用预定义函数的能力，允许模型生成请求参数并整合结果。例如模型可以通过 Function Call 查询天气或执行简单的数学计算。它的本质是'代码级工具'，通常与模型绑定部署。

Agent 是一种具备自主决策能力的 AI 实体，能够感知环境、规划任务并自主调用工具（包括 MCP Server 和 Function Call）完成目标。例如，一个 Agent 可以接到'撰写 AI 趋势报告'的任务后，自动抓取数据、分析内容并生成报告。

MCP Server 的功能相对单一，专注于提供数据和工具接口的工具箱。例如，它可以抓取网页、读取文件或调用 API，但不具备推理能力。

1、复杂度与能力方面

2、响应方式

3、三者协同

4、功能对比

5、总结

AI Agent 是一个智能系统，它可以自主运行以实现特定目标。传统的 AI 聊天仅提供建议或者需要手动执行任务，AI Agent 则可以分析具体情况，做出决策，并自行采取行动。而 AI Agent 可以利用 MCP 提供的功能描述来理解更多的上下文，并在各种平台/服务自动执行任务。

如果 Agent 想要更好地完成任务，一般需要接入足够多的外部工具，而外部工具的接入千差万别；Function Call 是大模型本身的一种能力，可以调用外部函数或 API 以增强大模型能力，但它同样面临着不同开发者自由定义导致的不标准问题；MCP 则是给 AI 应用提供了一套标准化协议，方便 AI 应用更好地访问外部工具，以提升大模型的响应能力。