MCP 协议详解：与 Function Call 的区别及 Python 使用指南

什么是 MCP？

2025 年，Anthropic 提出了 MCP（Model Context Protocol），即大模型上下文协议。它主要为 AI 大模型和外部工具之间的交互提供了一个统一的处理协议。就像 USB-C 统一了物理接口一样，MCP 统一了大模型与工具的对接方式。

MCP 采用 C/S 架构，支持客户端调用远程 Server 提供的服务，同时也支持 stdio 流式传输模式，即在客户端本地启动 MCP 服务端。只需在配置文件中新增 MCP 服务端，就能利用其提供的各种工具，大大提高了大模型使用外部工具的便捷性。

MCP 是开源协议，旨在让所有 AI 厂商和工具都能集成到自己的客户端中，扩大可用面。只有用户越多，协议才能不断发展。

了解 Function Call

在 MCP 出现之前，开发 AI Agent 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，最常用的是 OpenAI 提供的 Function Call 处理逻辑。

Function Call Demo

配置工具，AI 提供参数

调用 OpenAI Chat Completions 接口时，可以通过 tools 参数传入可供使用的外部工具。这包含了工具的作用、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工具，设置为 none 时则不会调用外部工具。

{
  "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 OpenAI 代码如下。我们将 tools 部分放入一个包含 dict 的 list，作为 create 函数的 tools 参数即可。同时 tool_choice 传入 auto 代表自动选择工具。这里演示使用了硅基流动提供的 Qwen2.5 模型，运行前请确保修改 api_key 为正确值。

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 tools 编写需要提供的参数。此时 content 会是空，不会输出直接内容，tool_calls 中会包含调用的工具和参数。

❯ uv run main.py
content: 
tools: [ChatCompletionMessageToolCall(id='...', function=Function(arguments='{"city": "上海"}', name='get_weather'), type='function')]
...

对应如下 JSON 格式响应，包含了我们的参数：

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

调用工具并让 AI 二次处理

随后，我们可以根据大模型返回的参数调用我们的函数，得到结果后再与大模型进行对话。此时需要维护对话上下文，首先需要将第一次请求 AI 返回的结果插入到上下文中（"role": "assistant" 的 json 字符串），然后再插入工具调用的数据，格式如下：

{
  "role": "tool",
  "tool_call_id": "...",
  "content": "{\"status\": \"success\", \"temp\": \"25\"}"
}

这样，AI 就能结合工具返回的实际数据生成最终回复。