MCP 协议详解：与 Function Call 区别及使用方法
1. 什么是 MCP？
官网：https://modelcontextprotocol.io/introduction
2025 年，Anthropic 提出了 MCP 协议。MCP 全称为 Model Context Protocol，翻译过来是大模型上下文协议。这个协议的主要为 AI 大模型和外部工具（比如让 AI 去查询信息，或者让 AI 操作本地文件）之间的交互提供了一个统一的处理协议。我们常用的 USB Type-C 接口统一了 USB 接口的样式，MCP 协议就好比 AI 大模型中的 USB-C，统一了大模型与工具的对接方式。
MCP 协议采用了 C/S 架构，也就是服务端、客户端架构，能支持在客户端设备上调用远程 Server 提供的服务，同时也支持 stdio 流式传输模式，也就是在客户端本地启动 MCP 服务端。只需要在配置文件中新增 MCP 服务端，就能用上这个 MCP 服务器提供的各种工具，大大提高了大模型使用外部工具的便捷性。
MCP 是开源协议，能让所有 AI 厂商、AI 工具都将 MCP 集成到自己的客户端中，从而扩大 MCP 的可用面。毕竟只有用的人越多，协议才能不断发展，不断变得更好。
2. 了解 Function Call
在 MCP 没有出来之前，我们的 AI Agent 开发如果想调用外部工具需要针对不同的 AI 大模型 SDK 编写不同的代码，其中最为常用的是 OpenAI 提供的 Function Call 处理逻辑。
2.1. Function Call Demo
2.1.1. 配置工具，AI 提供参数
当我们调用 OpenAI Chat Completions 接口时，可以通过 tools 参数传入可供使用的外部工具。这个工具的调用中就包含了工具的作用，工具需要传入的参数，以及参数的释义。其中 tool_choice 字段设置为 auto 代表让大模型自动选择 tools，设置为 none 时不会调用外部工具。
{
"tool_choice": "auto",
"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": [
{
"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"]
}
}
}
]
}
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": "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回复给用户。
3. MCP 与 Function Call 对比
虽然 Function Call 已经实现了类似的功能，但 MCP 协议旨在解决更底层的标准化问题。
- Function Call：通常是特定大模型 API 层面的功能实现，依赖于模型本身对工具调用的理解能力，不同厂商的实现细节可能不一致。
- MCP 协议：是一个独立的通信协议层，定义了模型与工具之间的标准交互格式。它不依赖特定模型，而是通过标准化的连接方式（如 stdio、SSE）让任何支持 MCP 的客户端都能调用任意 MCP Server 提供的工具。
简单来说，Function Call 是模型'知道'如何调用工具，而 MCP 是规定了工具'如何'被模型发现、连接和调用的一套通用规则。MCP 的出现使得工具的开发可以独立于模型，提高了生态的兼容性。
4. 总结
MCP 协议为大模型集成外部工具提供了统一的解决方案。通过本文的 Function Call 示例，可以看到工具调用的基本流程。随着 MCP 生态的发展，未来大模型与外部系统的交互将更加标准化和便捷。