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

2025 年，Anthropic 提出了 MCP（Model Context Protocol）协议。简单来说，这是大模型上下文协议，旨在为 AI 大模型和外部工具之间的交互提供一个统一的处理标准。如果把 USB-C 接口看作是统一了物理设备的连接方式，那么 MCP 就是统一了大模型与工具的对接方式。

什么是 MCP？

MCP 采用了 C/S 架构，即服务端与客户端模式。它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，这意味着你可以在本地启动 MCP 服务端。只需要在配置文件中新增 MCP 服务端，就能用上该服务器提供的各种工具，大大提升了大模型使用外部工具的便捷性。

架构图

作为开源协议，MCP 允许所有 AI 厂商和工具将其集成到客户端中，从而扩大可用范围。只有用户越多，协议才能不断演进和完善。

回顾 Function Call

在 MCP 出现之前，如果我们想开发 AI Agent 并调用外部工具，通常需要针对不同的 AI 大模型 SDK 编写不同的代码。最经典的方案是 OpenAI 提供的 Function Call 处理逻辑。

Function Call 实战流程

1. 配置工具，让 AI 提供参数

调用 Chat Completions 接口时，可以通过 tools 参数传入可供使用的外部工具。这里定义了工具的作用、所需参数及其释义。其中 tool_choice 字段设置为 auto 代表让大模型自动选择是否调用工具，设置为 none 则不会调用。

import openai
import json

def main():
    # 初始化客户端，注意替换为有效的 API Key
    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": }
                },
                : []
            }
        }
    }]

    res = client.chat.completions.create(
        model=,
        messages=[{
            : ,
            : 
        }, {
            : ,
            : 
        }],
        tools=tools,
        tool_choice=
    )

    (, res.choices[].message.content)
    (, res.choices[].message.tool_calls)

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