MCP 协议详解：与 Function Call 的区别及实战

官网：https://modelcontextprotocol.io/introduction

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。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 服务，也支持 stdio 流式传输模式，即可以在客户端本地启动 MCP 服务端。只需在配置文件中新增 MCP 服务端，就能便捷地使用其提供的各种工具，大幅提升了大模型调用外部资源的效率。

作为开源协议，MCP 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。

理解 Function Call 机制

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 SDK 编写特定代码。最经典的方案莫过于 OpenAI 的 Function Call 处理逻辑。

Function Call 实战演示

1. 配置工具与参数

调用 Chat Completions 接口时，通过 tools 参数传入外部工具定义。这里包含工具的描述、所需参数及其释义。tool_choice 设为 auto 让模型自动选择，设为 none 则禁止调用。

{
  "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 代码如下。我们将工具列表放入 create 函数的 tools 参数中。注意，这里使用的是硅基流动的 Qwen2.5 模型演示，实际运行前请替换正确的 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()

运行后，模型会根据用户请求和提供的工具生成参数。此时 content 通常为空，关键信息在 tool_calls 中。

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

响应 JSON 结构清晰，包含了工具名称和参数字符串。

2. 调用工具并二次处理

拿到模型返回的参数后，我们需要执行实际的函数调用，并将结果反馈给模型进行二次处理。这一步的关键是维护对话上下文。

首先将第一次请求的回复插入上下文（role: assistant），紧接着插入工具调用的数据。格式如下：

{
  "role": "tool",
  "name": "get_weather",
  "content": "{\"temperature\": 25, \"condition\": \"sunny\"}"
}

这样，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。这种流程虽然有效，但不同平台实现细节各异，这正是 MCP 试图标准化的地方——它让工具接入变得像插拔 USB 设备一样简单通用。