MCP 协议详解：与 Function Call 的区别及 Python 实战

什么是 MCP？

Model Context Protocol（MCP）由 Anthropic 提出，旨在为大模型与外部工具之间的交互提供统一标准。就像 USB-C 统一了物理接口一样，MCP 试图统一 AI 模型与各类工具的对接方式。它采用 C/S 架构，既支持客户端调用远程 Server 服务，也支持 stdio 流式传输模式，允许在本地启动 MCP 服务端。只需在配置文件中注册 MCP 服务端，即可让大模型便捷地使用各种外部能力。

MCP 是开源协议，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。

回顾 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 编写适配代码。其中 OpenAI 的 Function Call 是最常见的实现逻辑。

配置工具与参数生成

调用 Chat Completions 接口时，可通过 tools 参数传入外部工具定义。这包括工具的功能描述、所需参数及其释义。tool_choice 字段控制模型行为：设为 auto 允许自动选择工具，设为 none 则禁止调用。

以下是一个简单的 Python 示例，展示了如何定义天气查询工具并发送给模型：

import openai
import json

def main():
    client = openai.OpenAI(
        api_key="YOUR_API_KEY",
        base_url="https://api.example.com/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)

请求发出后，若模型决定调用工具，content 通常为空，而 tool_calls 会包含函数名及参数。例如返回结果可能如下：

{
  "role": "assistant",
  "content": "",
  "tool_calls": [
    {
      "id": "call_123",
      "type": "function",
      "function": {
        "name": "get_weather",
        "arguments": "{\"city\": \"上海\"}"
      }
    }
  ]
}

调用工具并维护上下文

拿到参数后，我们需要执行实际函数并获取结果，然后将其作为新消息加入对话历史，让模型基于结果进行二次回复。这一步的关键是维护正确的角色（role）顺序。

首先插入模型的第一次回复（role: assistant），接着插入工具调用的结果（role: tool）。格式大致如下：

{
  "role": "tool",
  "tool_call_id": "call_123",
  "content": "上海今天的天气晴朗，气温 25 度。"
}

将这条消息追加到 messages 列表中再次发送，模型就能结合工具返回的数据给出最终回答。这种机制确保了 AI 不仅能'想'出要做什么，还能真正'做'出来并理解结果。

总结

MCP 本质上是对工具调用能力的标准化封装。相比于原生 Function Call 往往绑定特定 SDK，MCP 更强调协议层面的互通性，使得不同来源的工具可以被同一个客户端统一管理。对于开发者而言，理解这一区别有助于在构建复杂 Agent 系统时选择合适的集成方案。