MCP 协议详解：与 Function Call 的区别及实战用法

对应的 Python 实现如下。我们将工具定义放入字典列表，作为 create 函数的 tools 参数。注意 api_key 需替换为实际值。

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生成工具调用参数。此时 content 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 结构清晰展示了工具名称及参数。

2. 调用工具并反馈给 AI

拿到模型返回的参数后，我们需要执行实际的函数调用，并将结果再次喂给大模型进行二次处理。这一步需要维护对话上下文：先将第一次的助理回复插入，再追加工具调用的结果数据。

{
  "role": "assistant",
  "content": null,
  "tool_calls": [...]
},
{
  "role": "tool",
  "tool_call_id": "...",
  "content": "上海当前天气晴朗，气温 25 度"
}

通过这种方式，AI 能结合真实数据给出最终回答。这种机制虽然有效，但不同平台对工具调用的定义往往存在差异，而 MCP 正是为了解决这类标准化问题而生的。