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

对应的 Python SDK 代码如下。我们将工具定义放入字典列表，作为 create 函数的 tools 参数。这里以 Qwen2.5 模型为例，实际运行时请替换为有效的 API Key。

import openai
import json

def main():
    client = openai.OpenAI(
        api_key="your_api_key_here",
        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，大模型会根据用户请求和提供的工具定义，自动生成参数。此时 content 字段通常为空，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 会包含具体的参数结构：

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

2. 调用工具并让 AI 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后续处理。这一步的关键在于维护对话上下文。

首先，将第一次请求中模型返回的结果（即 role: assistant 的消息）保留在上下文中。接着，插入一条新的消息，角色标记为 tool，内容包含工具调用的 ID 和返回结果。格式大致如下：

{
  "role": "tool",
  "tool_call_id": "...",
  "content": "{"weather": "sunny", "temp": 25}"
}

这样，模型就能结合之前的意图和最新的工具返回数据，生成最终的回复。这种流程虽然有效，但每次对接新模型或新工具时，往往需要重新适配参数结构和调用逻辑，这也是 MCP 协议试图解决的核心痛点之一。