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。

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. 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",
  "name": "get_weather",
  "content": "上海天气晴朗，气温 25 度"
}

将上述工具返回结果追加到消息列表中，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自然语言回复。

MCP 使用简介

相比 Function Call 需要针对每个模型单独适配，MCP 通过标准化的 Client/Server 模式简化了流程。使用 MCP 通常只需在客户端配置文件中注册 MCP Server 地址或 Stdio 命令，即可自动发现并调用其提供的工具，无需硬编码具体的 API 调用逻辑。这种架构使得不同模型可以复用同一套工具生态，降低了 Agent 开发的复杂度。

总结来说，Function Call 是特定模型厂商提供的工具调用机制，而 MCP 则是旨在跨平台、跨模型的通用协议标准。