MCP 协议详解：与 Function Call 的区别及使用思路

对应的 Python SDK 代码如下。我们将工具列表放入 tools 参数，并将 tool_choice 设为 auto。这里以硅基流动的 Qwen2.5 模型为例，运行前请确保修改 api_key 为有效值。

import openai
import json

def main():
    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"}
                },
                "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，大模型会根据用户问题和提供的工具定义生成参数。此时 content 通常为空，而 tool_calls 会包含调用的工具名称及参数。

❯ uv run main.py
content: 
tools: [ChatCompletionMessageToolCall(id='...', function=Function(arguments='{"city": "上海"}', name='get_weather'), type='function')]
message: {'content': '', 'role': 'assistant', 'tool_calls': [...]}

响应 JSON 中包含了我们需要的参数结构。

2. 执行工具与上下文维护

拿到模型返回的参数后，我们需要实际调用函数并获取结果，然后再次与大模型对话。这一步的关键在于维护对话上下文：将第一次请求的助理回复插入上下文，紧接着插入工具调用的数据。

{
  "role": "tool",
  "tool_call_id": "...",
  "content": "{"temperature": 25, "city": "上海"}"
}

随后将这条消息追加到 messages 列表中发送给模型，模型就能根据工具返回的结果给出最终回答。这种流程虽然有效，但每次都需要针对特定模型适配工具调用逻辑。

小结

Function Call 解决了大模型调用工具的基本问题，但不同厂商的实现细节各异。MCP 协议的出现正是为了标准化这一过程，让工具接入更加通用和灵活。在实际开发中，理解这两者的底层逻辑差异，有助于我们在构建 Agent 时做出更合适的技术选型。