MCP 协议详解：与 Function Call 的区别及实战使用

对应的 Python 实现如下。我们将工具定义放入字典列表，作为 create 函数的 tools 参数。注意 tool_choice 设为 auto 以启用自动工具选择。这里以 Qwen2.5 模型为例，实际运行时请替换为你的有效 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()

运行程序后，大模型会根据用户问题和提供的工具定义生成参数。此时 content 通常为空，而 tool_calls 中会包含调用的工具名称及参数。

返回的 JSON 结构大致如下，包含了我们需要的参数信息：

{
  "role": "assistant",
  "content": "",
  "tool_calls": [
    {
      "id": "01964be6e485603d6a2a0acbbc7eba91",
      "type": "function",
      "function": {
        "name": "get_weather",
        "arguments": "{\n \"city\": \"上海\"\n}"
      }
    }
  ]
}

调用工具并让 AI 二次处理

拿到参数后，我们需要执行实际的函数逻辑，并将结果反馈给大模型进行二次处理。这一步的关键在于维护对话上下文：首先将第一次请求 AI 返回的结果（role: assistant）保留，然后插入工具调用的数据。

工具响应的消息格式需遵循以下规范：

{
  "role": "tool",
  "tool_call_id": "01964be6e485603d6a2a0acbbc7eba91",
  "content": "{'temperature': '25°C', 'city': '上海'}"
}

将这条消息追加到历史对话列表中再次发送给模型，大模型就能结合工具返回的实际数据，生成最终的自然语言回答。这种流程确保了 AI 不仅能'想'出要做什么，还能基于真实数据给出准确结论。

总结

Function Call 是早期实现工具调用的主流方案，但不同厂商的实现细节存在差异。MCP 的出现旨在统一这一标准，降低集成成本。在实际开发中，理解底层的数据流转机制（如 role 切换、参数传递）比单纯调用 API 更重要，这样才能灵活应对各种复杂场景。