MCP 协议详解：与 Function Call 的区别及实战

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。