MCP 协议详解：与 Function Call 的区别及实战使用

Python SDK 实战演示

在实际开发中，我们通常通过 Python SDK 来封装这一逻辑。以下是一个基于 OpenAI 兼容接口的示例（注意替换为你的 API Key）：

import openai
import json

def main():
    # 初始化客户端，base_url 可根据实际服务商调整
    client = openai.OpenAI(
        api_key="YOUR_API_KEY",
        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，如果模型决定调用工具，content 字段通常为空，而 tool_calls 会包含具体的函数名和参数。例如返回结果可能如下：

tools: [ChatCompletionMessageToolCall(id='...', function=Function(arguments='{"city": "上海"}', name='get_weather'), type='function')]

调用工具并二次处理

拿到模型生成的参数后，我们需要执行实际的函数逻辑，并将结果反馈给模型进行总结。这一步的关键在于维护对话上下文。

你需要将第一次请求的回复插入上下文，紧接着追加一条 tool 角色的消息，格式如下：

{
  "role": "tool",
  "tool_call_id": "01964be6e485603d6a2a0acbbc7eba91",
  "content": "{\"temperature\": \"25°C\", \"status\": \"sunny\"}"
}

这样，模型就能结合工具返回的实际数据，生成最终的回复给用户。整个流程的核心在于参数的准确提取和上下文的闭环维护。