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

MCP 协议简介

2025 年，Anthropic 提出了 MCP（Model Context Protocol），即大模型上下文协议。它的核心目标是统一 AI 大模型与外部工具之间的交互方式。这就好比 USB-C 接口统一了物理连接标准，MCP 旨在解决大模型接入不同工具时的碎片化问题。

MCP 采用 C/S 架构，支持客户端调用远程服务，也支持本地启动服务端（stdio 模式）。只需在配置文件中注册 MCP 服务端，即可让大模型直接调用各类工具，大幅提升了 Agent 开发的便捷性。

Function Call 回顾

在 MCP 普及之前，开发 AI Agent 调用外部工具通常需要针对不同模型的 SDK 编写特定逻辑，最典型的就是 OpenAI 的 Function Call。这种方式虽然有效，但缺乏统一标准，迁移成本高。

Function Call 示例

以 OpenAI Chat Completions 接口为例，我们可以通过 tools 参数传入外部工具定义。工具描述包含名称、功能说明及参数结构。tool_choice 设为 auto 时，模型会自动判断是否调用工具；设为 none 则禁止调用。

import openai
import json

def main():
    client = openai.OpenAI(
        api_key="your_api_key_here",
        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)

运行后，如果模型决定调用工具，content 字段通常为空，而 tool_calls 会返回具体的函数名和参数。例如：

{
  "role": "assistant",
  "content": "",
  "tool_calls": [
    {
      "id": "call_abc123",
      "type": "function",
      "function": {
        "name": "get_weather",
        "arguments": "{\"city\": \"上海\"}"
      }
    }
  ]
}

处理工具响应

拿到模型生成的参数后，我们需要执行实际函数，并将结果回传给模型进行二次处理。这一步需要维护对话上下文，将工具调用的结果以 tool 角色插入消息列表。

# 模拟执行工具并获取结果
tool_result = "上海当前天气晴朗，气温 25 度"

# 构建新的消息列表，追加工具响应
messages.append(res.choices[0].message.to_dict())
messages.append({
    "role": "tool",
    "content": tool_result,
    "tool_call_id": res.choices[0].message.tool_calls[0].id
})

# 再次请求模型生成最终回答
final_res = client.chat.completions.create(
    model="Qwen/Qwen2.5-32B-Instruct",
    messages=messages,
    tools=tools,
    tool_choice="auto"
)
print(final_res.choices[0].message.content)

这样，整个'提问 - 选工具 - 执行 - 回答'的闭环就完成了。MCP 的优势在于它试图将这一套流程标准化，减少重复造轮子的成本。