深入理解 MCP 协议：与 Function Call 的区别及 Python 实战

什么是 MCP？

官网参考：https://modelcontextprotocol.io/introduction

2025 年，Anthropic 提出了 MCP（Model Context Protocol）协议，中文译为'大模型上下文协议'。它的核心目标是为 AI 大模型与外部工具之间的交互提供一个统一的处理标准。这就好比 USB Type-C 统一了物理接口，MCP 旨在统一大模型调用各种工具的方式。

MCP 采用 C/S 架构（客户端/服务端），支持客户端设备调用远程 Server 提供的服务，同时也支持 stdio 流式传输模式，即可以在客户端本地启动 MCP 服务端。只需在配置文件中注册 MCP 服务端，就能让大模型便捷地使用服务器提供的各类工具。

![架构图示意]

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。

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 编写定制化代码。最典型的便是 OpenAI 提供的 Function Call 机制。

Function Call 原理演示

1. 配置工具与参数

调用 OpenAI Chat Completions 接口时，可通过 tools 参数传入外部工具定义。这包含了工具描述、所需参数及其说明。其中 tool_choice 设为 auto 允许模型自动选择工具，设为 none 则禁止调用。

{
  "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 代码如下，我们将工具列表放入 tools 参数中，并设置 tool_choice="auto"。这里以硅基流动的 Qwen2.5 模型为例，运行前请替换正确的 API Key。

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生成参数。此时 content 通常为空，关键信息在 tool_calls 中。

❯ 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': [...]}

响应 JSON 中包含具体的参数结构。

2. 执行工具并二次对话

拿到模型返回的参数后，我们需要实际调用函数，并将结果反馈给模型进行后续处理。这需要维护对话上下文：先将第一次请求的 Assistant 回复插入，再追加一条 tool 角色的消息。

{
  "role": "tool",
  "content": "上海今天的天气是晴朗，气温 25 度。",
  "tool_call_id": "01964be6e485603d6a2a0acbbc7eba91"
}

将这条消息加入历史对话再次发送给模型，它就能结合工具返回的结果给出最终回答。

MCP 与 Function Call 的区别

虽然 Function Call 解决了部分问题，但 MCP 的出现是为了更底层的标准化。

通用性：Function Call 依赖特定模型的实现，不同厂商格式可能微调；MCP 试图建立跨平台的统一协议。
扩展性：MCP 支持更复杂的资源读取、提示词模板等能力，不仅仅是函数调用。
架构：MCP 明确区分了 Client 和 Server 的通信规范，便于构建独立的工具服务。

简单来说，Function Call 是模型层面的能力，而 MCP 是系统层面的连接协议。

以上就是对 MCP 协议的基础介绍与相关实践。希望这些内容能帮助你更好地构建 AI 应用。