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。

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='...', function=Function(arguments='{"city": "上海"}', name='get_weather'), type='function')]
message: {'content': '', 'role': 'assistant', 'tool_calls': [...]}

对应如下 json 格式响应，包含了我们的参数：

{
 "role":"assistant",
 "content":"",
 "tool_calls":[{
  "id":"...",
  "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":"...",
 "content":"上海天气晴朗，温度 25 度"
}

将上述工具响应添加到消息列表中，再次发送给大模型，大模型会根据工具返回的内容生成最终的回答给用户。通过这种方式，实现了 AI 对本地或远程工具的调用闭环。