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

什么是 MCP？

官网：https://modelcontextprotocol.io/introduction

2025 年，Anthropic 提出了 MCP（Model Context Protocol）协议。简单来说，它是大模型与外部工具交互的统一标准。就像 USB-C 统一了物理接口一样，MCP 试图统一 AI 与大模型的对接方式，让 AI 能更便捷地查询信息或操作本地文件。

MCP 采用 C/S 架构，支持客户端调用远程 Server 服务，也支持 stdio 流式传输模式，即可以在本地启动 MCP 服务端。只需在配置文件中添加 MCP 服务端，就能直接利用其提供的工具能力，大幅降低了集成门槛。

作为开源协议，MCP 鼓励所有 AI 厂商和工具方进行集成。生态越丰富，协议的生命力就越强，这也是推动大模型应用落地的关键一步。

回顾 Function Call

在 MCP 普及之前，开发 AI Agent 调用外部工具通常需要针对不同的 SDK 编写适配代码，其中 OpenAI 的 Function Call 是最常见的方案。

1. 配置工具与参数生成

调用 Chat Completions 接口时，通过 tools 参数传入外部工具定义。这包含了工具的功能描述、所需参数及其说明。tool_choice 设为 auto 时，大模型会自动判断是否需要调用工具；设为 none 则禁止调用。

import openai
import json

def main():
    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": , : },
            {: , : }
        ],
        tools=tools,
        tool_choice=
    )
    
    (, res.choices[].message.content)
    (, res.choices[].message.tool_calls)
    (, res.choices[].message.to_dict())

 __name__ == :
    main()