MCP 协议详解：与 Function Call 的区别及 Python 实战

1. 什么是 MCP？

官网：https://modelcontextprotocol.io/introduction

近期，Anthropic 推出了 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（比如查询信息、操作本地文件）之间的交互提供一个统一标准。如果把 USB-C 接口统一了物理连接方式，那么 MCP 协议就是统一了大模型与工具的对接逻辑。

MCP 采用 C/S 架构（客户端/服务端），支持在客户端调用远程 Server 服务，也支持 stdio 流式传输模式（即在客户端本地启动 MCP 服务端）。只需在配置文件中注册 MCP 服务端，就能让大模型直接调用该服务器提供的各种工具，极大提升了集成效率。

![MCP 架构图示：展示客户端与服务端通过协议进行通信的示意图]

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。

2. 回顾 Function Call

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 编写适配代码。其中 OpenAI 提出的 Function Call 是最经典的实现方案。

2.1. Function Call 实战演示

2.1.1. 配置工具，由 AI 生成参数

调用 Chat Completions 接口时，通过 tools 参数传入外部工具定义。这包含了工具的作用、所需参数及其释义。

• tool_choice="auto"：让大模型自动决定是否调用工具。
• tool_choice="none"：禁止调用外部工具。

import openai 
import json

def main():
    # 初始化客户端，这里以硅基流动为例，实际使用请替换为对应 API Key
    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"}
                },
                : []
            }
        }
    }]
    
    res = client.chat.completions.create(
        model=,
        messages=[{
            : ,
            : 
        }, {
            : ,
            : 
        }],
        tools=tools,
        tool_choice=
    )
    
    (, res.choices[].message.content)
    (, res.choices[].message.tool_calls)
    (, res.choices[].message.to_dict())

 __name__ == :
    main()