从单一场景到复杂场景，聊聊LLMs中Function calling到MCP的技术演进

对于使用大模型（LLMs）的人来说，可能更熟悉的是MCP多一些，而对于Function calling其实更偏于技术层面的东西，但是从应用场景上二者还是有些相似之处。

或者简单来说，在没有MCP协议之前，想要通过构建一个AI应用需要依赖的就是Function calling，简单来说它就是函数调用，这个函数可以是你所期望读取信息的任何接口，比如要调用微信公众号的开放接口，就可以定一个Function calling来通过http来调用。

Functioncalling的核心能力，正如OpenAI官网介绍：为模型提供新的功能和数据，使它们能够遵循指令并响应提示，使其能够与外部系统交互并访问训练数据之外的实时数据。这里的核心是外部交互和实时数据

Function Calling 一般的过程如下：

将用户的自然语言输入与已有函数的描述作为输入参数传给 LLM；

• LLM 结合输入参数，决定调用哪些函数，并指明必要参数（如函数的入参），进行格式化（如 JSON、XML 格式）的输出；
• 用户端接收到 LLM 格式化的函数调用后，对本地的函数进行调用，得到结果；
• 将得到的函数结果传给 LLM，使得 LLM 有了所需的上下文信息。

对于大模型来说，它的内容都是经过预训练得到的，所谓预训练就是获取网络数据，然后将数据归纳清楚之后，给到大模型能够识别的数据结构，再结合算法、算力来训练模型的能力，简单来说就是读书、学习、思考的过程。

但是它有一个问题，就是只能知道自己过往学习到的东西，对于即时性的内容，它感知不到的，例如对于chatGPT-5来说，它的训练数据的采集截止日期是：2024年6月。

也就是说，2024年6月之后的数据原则上它都不知道。

但是现在它通过封装了API能力结合网络搜索（爬虫），就可以组合出一个智能实时检索+问答能力，它就可以不再依托于模型本身训练数据，而是具备对外实施扩展数据能力，类似在搜索引擎上面加一个智能体。

Function calling 调用流程

Function calling是通过 OpenAI API 在应用程序和模型之间进行的多步骤对话，调用流程包括五个步骤：

1. 向模型发起请求，它可能调用的工具
2. 从模型接收工具调用
3. 使用工具调用的输入在应用端执行代码
4. 使用工具输出向模型发起第二次请求
5. 从模型接收最终响应（或更多工具调用）

Function calling实际上就是结合LLM本身的能力，其实我觉得Function calling是一个复杂的技术工程，从单一的场景到复杂的场景，所要维护的API服务的数量就会非常庞大。

而在说到MCP（Model Context Protocol），MCP相对于function calling来说，可以说是一个一站式的能力，当然它也有一定的问题。

MCP 的核心理念：分而治之！MCP 通过将工具与其使用者（AI）分离来解决这个问题：

MCP Server 是实际接口服务的地址，例如天气预报或邮件管理、内部系统地址链接等等都放在这里，它完全独立于 AI 运行，可以用任何编程语言编写。

MCP 客户端 作为连接器（通常是 AI Agent的一部分）。它负责查找可用的工具，帮助 AI 正确格式化请求，并处理与服务器之间的通信。

MCP 的核心作用

• MCP补充了人工智能应用中，和内部系统对接的短板。
• 通过插件式的方式提升了AI应用的内部灵活性，每个插件都可以灵活调用、独立维护。
• 几乎所有的数据库、开源系统都可以构建一个独立的MCP出来，扩大在AI应用的使用场景。

什么时候应该用 MCP 而不是 Function calling？

• 如果你只是调用一个简单的 API（比如获取天气或股票价格），函数调用就足够了。
• 如果你需要 AI 与多个工具交互、跟踪上下文或在不进行持续请求的情况下获取实时更新，MCP 就是一个确定性的解决方案。

例如，想象你正在构建一个 AI 编程助手：

• 使用函数调用，AI 可以获取函数定义，但如果后来你要调试某些内容，你必须手动调用另一个函数来获取日志、依赖项等。
• 使用 MCP，当 AI 询问某个函数时，IDE 可以自动发送调试信息，这使得它变得非常智能。

Function calling与 MCP：一种互补关系

虽然Function calling和 MCP 都是将 LLM 与企业系统集成的重要组成部分，但它们解决的是不同的挑战：

• Function calling专注于将提示转换为可操作的指令，它是 LLM 驱动的，并且在不同的服务接口之间存在差异，目前还没有通用的标准。

• MCP 标准化了这些指令的执行，实现了跨数千种工具的可扩展性和互操作性。

二者都共同确保 LLMs 不仅能解释自然语言提示，还能通过利用企业工具提供有正确的结果，而随着 MCP 的不断发展，它将重新定义 LLMs 与企业工具的交互方式，使集成更具可扩展性、灵活性和效率。

所以，MCP 和Function calling本质来说二者并不冲突，它们是同一工作流程的两个方面。

本文转载自​​DataForAI​​，作者：王笠