MCP 协议详解：与 Function Call 的区别及实战基础

什么是 MCP？

MCP 全称为 Model Context Protocol，中文译为'大模型上下文协议'。2025 年由 Anthropic 提出，旨在为 AI 大模型与外部工具（如信息查询、本地文件操作等）之间的交互提供一个统一的处理标准。如果把 USB-C 接口统一了物理连接方式，那么 MCP 协议则统一了大模型与工具的对接逻辑。

该协议采用 C/S 架构，支持客户端调用远程 Server 提供的服务，同时也支持 stdio 流式传输模式，允许在客户端本地启动 MCP 服务端。只需在配置文件中注册 MCP 服务端，即可利用其提供的各类工具，显著提升了大模型调用外部能力的便捷性。

作为开源协议，MCP 鼓励所有 AI 厂商和工具将其集成到客户端中。生态越丰富，协议的生命力就越强，这也是推动大模型能力扩展的关键。

了解 Function Call

在 MCP 普及之前，AI Agent 开发若要调用外部工具，往往需要针对不同的模型 SDK 编写适配代码。其中最为成熟且广泛使用的方案是 OpenAI 提出的 Function Call 机制。

配置工具，让 AI 提供参数

调用 Chat Completions 接口时，可以通过 tools 参数传入可供使用的外部工具定义。这包含了工具的作用描述、所需参数及其释义。其中 tool_choice 字段设为 auto 代表让大模型自动选择是否调用工具，设为 none 则禁止调用。

import openai
import json

def main():
    client = openai.OpenAI(
        api_key="xxxxx",
        base_url="https://api.siliconflow.cn/v1"
    )
    tools = [{
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名"}
                },
                "required": ["city"]
            }
        }
    }]

    res = client.chat.completions.create(
        model="Qwen/Qwen2.5-32B-Instruct",
        messages=[{
            "role": "system",
            "content": "你是一个天气查询助手"
        }, {
            "role": "user",
            "content": "帮我查询上海的天气"
        }],
        tools=tools,
        tool_choice="auto"
    )

    print("content:", res.choices[0].message.content)
    print("tools:", res.choices[0].message.tool_calls)
    print("message:", res.choices[0].message.to_dict())

if __name__ == "__main__":
    main()

运行后，大模型会根据用户问题和提供的工具定义生成参数。此时 content 通常为空，而 tool_calls 会包含调用的工具名称及参数。

响应数据如下：

{
  "role": "assistant",
  "content": "",
  "tool_calls": [
    {
      "id": "01964be6e485603d6a2a0acbbc7eba91",
      "type": "function",
      "function": {
        "name": "get_weather",
        "arguments": "{\n \"city\": \"上海\"\n}"
      }
    }
  ]
}

调用工具并让 AI 二次处理

拿到参数后，我们需要执行实际的函数调用，并将结果返回给大模型进行二次处理。这一步需要维护对话上下文，将第一次请求的 Assistant 回复插入上下文，随后追加工具调用的数据。

# 模拟工具执行结果
weather_result = "上海当前天气晴朗，气温 25 度"

messages.append(res.choices[0].message)  # 添加 AI 的请求
messages.append({
    "role": "tool",
    "tool_call_id": res.choices[0].message.tool_calls[0].id,
    "content": weather_result
})

# 再次请求 AI 总结结果
final_res = client.chat.completions.create(
    model="Qwen/Qwen2.5-32B-Instruct",
    messages=messages
)
print(final_res.choices[0].message.content)

通过这种方式，我们完成了从'意图识别'到'工具执行'再到'结果反馈'的闭环。MCP 协议正是基于此类交互逻辑，进一步标准化了工具描述和通信格式，解决了以往不同模型间工具调用协议不统一的问题。