MCP 协议详解：与 Function Call 的区别及使用方式

对应的 Python OpenAI 代码如下，我们将 tools 部分放入一个包含 dict 的 list，作为 create 函数的 tools 参数即可。同时 tool_choice 传入 auto 代表自动选择工具。这里我用了硅基流动提供的 Qwen2.5 模型作为演示，运行下面这个代码需要修改 api_key 为正确值。

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()

运行程序，发出请求后，大模型就会根据用户提出的问题和提供的 tools，来为这个 tools 编写需要提供的参数。此时 content 会是空，不会输出内容，tool_calls 中会包含调用的工具和参数。

❯ uv run main.py
content: 
tools: [ChatCompletionMessageToolCall(id='01964be6e485603d6a2a0acbbc7eba91', function=Function(arguments='{"city": "上海"}', name='get_weather'), type='function')]
message: {'content': '', 'role': 'assistant', 'tool_calls': [{'id': '01964be6e485603d6a2a0acbbc7eba91', 'function': {'arguments': '{"city": "上海"}', 'name': 'get_weather'}, 'type': 'function'}]}

对应如下 JSON 格式响应，包含了我们的参数。

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

2.1.2. 调用工具并让 AI 二次处理

随后，我们就可以根据这个大模型返回的参数来调用我们的函数，并得到函数的返回结果，再次与大模型进行对话。此时需要按下面的方式维护对话上下文，首先需要将第一次请求 AI 返回的结果插入到上下文中（"role": "assistant" 的 json 字符串），然后再插入工具调用的数据，格式如下：

{
  "role": "tool",
  "tool_call_id": "01964be6e485603d6a2a0acbbc7eba91",
  "content": "{"city": "上海", "temperature": 25, "condition": "Sunny"}"
}

将上述工具响应添加到消息列表中，再次发送给大模型，大模型即可根据工具返回的数据生成最终的自然语言回答。

3. 如何使用 MCP？

MCP 的使用主要涉及客户端和服务端的配置。在 Python SDK 中，通常通过创建 MCP Client 实例并连接 Stdio 或 HTTP 服务端来实现。

1. 安装依赖：确保安装了 mcp 相关的 Python 包。
2. 配置服务端：定义一个 MCP Server，注册可用的 Tools 或 Resources。
3. 建立连接：在客户端初始化时指定连接方式（如 stdio 命令或 URL）。
4. 调用工具：通过客户端 API 触发工具执行，并将结果反馈给 LLM。

这种架构使得不同的大模型可以复用同一套工具生态，无需为每个模型单独编写适配代码。