MCP 协议详解：与 Function Call 的区别及实践指南

什么是 MCP？

Model Context Protocol（MCP）是大模型上下文协议，由 Anthropic 提出。它主要为 AI 大模型和外部工具之间的交互提供了一个统一的处理标准。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，支持客户端调用远程 Server 提供的服务，同时也支持 stdio 流式传输模式，允许在客户端本地启动 MCP 服务端。只需在配置文件中新增 MCP 服务端，就能直接复用该服务器提供的各种工具，大大提升了大模型使用外部工具的便捷性。

官方文档：https://modelcontextprotocol.io/introduction

作为开源协议，MCP 旨在让所有 AI 厂商和工具都能集成到自己的客户端中。生态越丰富，协议的发展就越快，最终惠及整个开发者社区。

为什么需要 MCP？了解 Function Call

在 MCP 出现之前，AI Agent 开发如果想调用外部工具，通常需要针对不同的 AI 大模型 SDK 编写不同的适配代码。最经典的方案是 OpenAI 的 Function Call 机制，虽然解决了基础的工具调用问题，但缺乏统一标准，导致不同模型间的工具定义和参数传递存在差异。

Function Call 实战示例

我们以天气查询为例，看看传统的 Function Call 是如何工作的。

1. 配置工具，让 AI 提供参数

调用 Chat Completions 接口时，通过 tools 参数传入外部工具的定义。这包含了工具的作用、所需参数及其释义。其中 tool_choice 字段设为 auto 代表让大模型自动选择是否调用工具，设为 none 则禁止调用。

import openai
import json

def main():
    # 初始化客户端，这里以硅基流动 Qwen2.5 为例
    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()