隨著人工智能的快速發展，大型語言模型（LLMs）逐漸深入到我們生活與工作的各個方面。然而，盡管模型強大，但其能力仍存在局限性，比如在實時信息獲取和復雜任務執行方面仍有不足。

RAG（檢索增強生成）現在在企業的 AI 應用中使用很廣泛，就是為了解決模型的信息不夠實時，且沒有垂直領域知識的問題。

RAG 雖然厲害，但主要還是應用在智能知識問答領域，大模型想要有更強的能力，就需要有效、安全地與外界進行互動，這就誕生了 Function Calling 和 MCP 。

Function Calling 依賴大模型的能力，MCP 是一種通用協議。

本文從概念層面談談 Function Calling 和 MCP ，下一篇寫幾個代碼例子。

Function Calling（函數調用）介紹

概念

Function Calling 是特定大模型（如 OpenAI 的 GPT-4、Qwen2 等）提供的一種機制，使模型能夠主動生成結構化輸出，以調用外部系統中預定義的函數或 API。

執行流程

通常我們說大模型調用 API，但這種說法并不完全準確，執行過程如下圖：

• Agent 程序是我們開發的 AI 程序，在程序中會預先向大模型注冊外部函數接口（建議不超過 20 個）。
• 用戶通過自然語言發起請求，Agent 接收到請求。
• Agent 程序將用戶請求提交給大模型，模型首先解析語義并評估是否需要調用外部工具。
• 模型如果判斷需要調用函數，將生成包含工具 ID 和輸入參數的調用指令，并返回給 Agent 程序。
• Agent 程序接收到模型返回的調用指令后，執行對工具函數的調用。
• 工具函數執行后將結果返回給 Agent 程序。
• Agent 程序將函數返回的結果和自定義提示詞一起反饋給大模型。
• 大模型融合工具返回的數據與原始上下文，生成最終結果，并返回給 Agent 。
• Agent 程序將結果輸出呈現給終端用戶。

特點

• 主動調用：模型能夠識別用戶的自然語言意圖，決定是否調用工具，并生成調用指令。
• 實時反饋：模型生成的函數調用指令，由 Agent 程序執行后，再次反饋給模型，使模型生成實時和精準的回應。
• 具體實現靈活：沒有嚴格的標準通信協議要求，通信格式取決于具體模型廠商。這是個特點，也是個弊端。

MCP（Model Context Protocol）介紹

概念

MCP（Model Context Protocol，模型上下文協議）是 Anthropic 公司在 2024 年 11 月推出的一種標準協議。它的目的是給 AI 模型（如大語言模型）和外部數據源或工具之間建立起統一的通信接口。

可以簡單類比為 AI 的 USB 接口，無論是 AI 模型還是外部工具，只要符合 MCP 標準，就可以實現快速“即插即用”的連接，不需要為每個工具單獨編寫接口程序。也沒有變成語言的限制，就像前后端分離后，基于 WebAPI 的規范就可以，什么語言都能寫接口。

現在 OpenAI 也支持了 MCP 。

特點

• 開放性：MCP 是開放標準，任何開發者或服務商均可基于此協議開發 API，避免重復造輪子，推動生態共建，目前已有大量 MCP 集合站（如：https://mcp.so）。
• 標準化：采用 JSON-RPC 2.0 標準通信，確保交互統一、高效。
• AI 增強：MCP 可將 AI 應用從簡單問答升級為可執行復雜任務的工具，如管理代碼、處理文件、連接外部系統。例如，Claude 通過 MCP 接入 GitHub 后，可完成項目創建、提交代碼請求等復雜操作。
• 安全性：MCP 數據交互基于標準協議，便于控制數據流、防止泄露。服務器內置安全機制，可保護 API 密鑰不泄露給大模型提供商，主機可授權客戶端連接，確保連接安全可控。
• 兼容性：MCP 支持文件內容、數據庫記錄、API 響應、實時數據、截圖圖像、日志文件等幾乎所有數據格式，適用于多樣的數據交互場景。
• 擴展性：MCP 提供提示詞模板（Prompts）、工具（Tools）、采樣（Sampling）等功能，可靈活擴展 AI 應用與數據源交互能力。開發者可根據需求定制提示模板或使用工具擴展數據處理功能。

核心架構

MCP 采用客戶端-服務器（Client-Server）架構，包括以下組件：

• MCP Host：發起請求的 AI 應用程序或工具，如 Claude Desktop、Cursor、Windsurf 等。
• MCP Client：位于 Host 內部，保持與 MCP Server 的一對一連接，負責消息路由、能力管理和協議協商。
• MCP Server：提供上下文數據、工具和提示詞模板的服務端組件，負責響應客戶端請求，提供外部資源訪問。
• 資源與工具：包括本地或遠程的數據資源（如文件、數據庫）及可被模型調用的功能（工具），支持 AI 模型實時獲取外部信息并執行任務。

調用步驟

• 宿主程序（客戶端）中配置相關的 MCP Server ，并建立與 MCP Server 的連接。
• 用戶使用自然語言進行提問，宿主程序將提示詞（整合了用戶問題）和 MCP Server 提供的工具，一起給大模型。
• 大模型理解后產生調用指令，宿主程序將調用指令通過 Client 發送給 MCP Server 。
• MCP Server 收到請求后，解析請求內容，執行相應操作（如搜索網絡信息、記錄筆記等），然后將處理結果封裝成響應消息，發送回客戶端。

MCP 與 Function Calling 的關系和區別

關系

大模型就像是一個大腦，MCP 與 Function Calling 都是為了讓大模型能開口說話，動手做事。Function Calling 可視為 MCP 生態下的一種具體功能實現形式，尤其是在工具調用（Tools）這一概念上，兩者高度相似。

區別

交互模式：

• MCP：支持交互式、持續性的上下文管理，AI 可以與外部資源多輪互動。
• Function Calling：簡單的請求-響應模式，單次調用執行特定任務，無交互延續性。

定位：

• MCP：一種開放的標準協議，定義通用通信架構和數據格式（類似于 USB 標準）。
• Function Calling：特定模型廠商提供的擴展能力。

通信協議標準化：

• MCP：嚴格遵守 JSON-RPC 2.0，具備高度標準化和互操作性。
• Function Calling：無統一標準，協議依賴具體模型廠商實現。

生態開放程度：

• MCP：生態開放，社區共建為主，任意開發者或服務商可自由接入。
• Function Calling：生態相對封閉，依賴特定模型廠商支持。

希望本文對您有所幫助！