MCP协议和Function Call的区别与协同用法
作者:宇宙中心我曹县2026.11.17 03:15浏览量:0简介:MCP 和 Function Calling 不是替代关系:Function Calling 是模型自身"输出结构化调用意图"的能力,MCP 是解决"工具怎么被标准化描述、发现与接入"的协议层。如果你正在为多模型接入和工具适配发愁,可以顺手看看[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article),它提供多模型统一 API 接入与模型能力、价格对比,能减少你在模型层重复适配的工作量。
一句话结论:一个管”模型怎么说”,一个管”工具怎么接”
很多人把 MCP 理解为”更好的 Function Calling”,这是最常见的误解。
- Function Calling(函数调用/工具调用) 是 模型能力 。你在一行代码里把工具的 name、description、JSON Schema 参数塞进请求,模型经过训练后学会输出一段结构化的
tool_calls,告诉你”我要调get_weather,参数是{city: "北京"}“。模型本身 不执行任何代码 ,执行永远在你的运行时里。 - MCP(Model Context Protocol) 是 开放协议标准 ,由 Anthropic 提出,基于 JSON-RPC 2.0,用 client-server 架构把”工具提供方”和”AI 应用”解耦。它规定的是:工具如何自描述、如何被发现、如何被调用、连接如何建立与断开。
一个形象的比喻是:MCP 是大模型生态里的 Type-C 接口或扩展坞,把各种来源的组件统一成一种格式交给大模型。而 Function Calling 更像是”设备最终能不能识别这个 Type-C 供电”——它是消费端的能力,不是接口标准本身。
Function Calling 的真实痛点:不是不能用,而是不可复用
在 MCP 出现之前,大模型要调用邮箱、日历、聊天软件等外部工具,必须基于每个大模型平台单独开发一个适配插件。插件是 捆绑在平台上的 :A 平台能用的插件,换到 B 平台还要重新适配一遍。
具体落到工程上,痛点集中在四处:
- 工具定义重复维护。 同一套 API,你要为不同厂商的模型格式各写一份 schema 适配层。OpenAI 风格、Claude 风格、各家国产模型风格在字段命名、并行调用、结果回填格式上都有差异。
- 没有动态发现机制。 工具列表通常硬编码在应用启动时,无法在运行时感知”某个 MCP Server 上线了新工具”。
- 只有 Tools 一种原语。 真实 Agent 需要的上下文资源(文件、数据库记录)和可复用提示词模板,Function Calling 协议本身不覆盖。
- 框架绑定过重。 这也是原文提到的核心问题:LangChain、LlamaIndex 抽象层级高、商业化倾向重,调试链路长;Vercel AI SDK 与 Next.js 绑定过深,换个技术栈就要重写接入层。
MCP 补上的正是”标准与复用”这一层
MCP 的价值不在于让模型多会点什么,而在于 一次接入、处处可用 :只要工具支持了 MCP 协议,所有支持 MCP 的客户端(Claude、Cursor、各类 Agent 平台)都能直接调用它。
它的关键设计有三点:
- 能力协商(capability negotiation)。 连接建立时通过
initialize交换双方支持的协议版本与能力,避免”客户端以为服务端支持某特性”的静默失败。 - 三类服务端原语。 Tools(可被模型调用的函数)、Resources(可读取的上下文数据)、Prompts(服务端提供的提示词模板)。这比单纯的函数列表更贴近 Agent 的真实需求。
- 两种主流传输。
stdio(本地进程,适合本地工具与文件系统)和 Streamable HTTP / SSE(远程服务,适合把内部 API 暴露给多个应用)。
百度智能云就把多项 AI 开放能力封装成了 MCP Server,比如图像增强(去摩尔纹、去雾、无损放大、文档矫正等)和图像识别(车型识别、菜品识别、看图识万物等),接入后应用直接获得这些技能。这类”能力型 MCP Server”是最容易体现复用价值的场景——你不必为每家模型厂商重写一遍视觉能力适配。
两者如何协同:一条完整调用链路
MCP 不取代 Function Calling,而是 为它供给标准化的工具描述 。真实链路是这样的:
MCP Server (tools/list) → MCP Client → 转成模型 function schema↑ ↓MCP Server (tools/call) ← 路由执行 ← 模型输出 tool_calls
import json, asynciofrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientasync def main():params = StdioServerParameters(command="python", args=["my_server.py"])async with stdio_client(params) as (read, write):async with ClientSession(read, write) as session:await session.initialize() # 1. 能力协商tools = await session.list_tools() # 2. 动态发现工具# 3. 关键一步:MCP 的 inputSchema 本身就是 JSON Schemallm_tools = [{"type": "function","function": {"name": t.name,"description": t.description,"parameters": t.inputSchema,},} for t in tools.tools]resp = llm_client.chat.completions.create(model="<你的模型名>", messages=messages, tools=llm_tools)# 4. 模型只产出"意图",真正执行走 MCP 协议call = resp.choices.message.tool_callsresult = await session.call_tool(call.function.name,arguments=json.loads(call.function.arguments))
注意第 3 步: MCP 的 inputSchema 与 Function Calling 的 parameters 都是 JSON Schema ,这是两套体系能无缝咬合的根本原因。你写的适配代码从”每个工具手写一份”变成了”一个通用转换器”。
核心差异对照
| 维度 | Function Calling | MCP |
|---|---|---|
| 本质 | 模型的结构化输出能力 | 工具接入的开放协议标准 |
| 归属层 | 模型层 / 推理层 | 应用层 / 集成层 |
| 谁定义工具 | 开发者在代码里硬编码 | 服务端自描述,客户端动态拉取 |
| 复用范围 | 绑定单个模型厂商的调用格式 | 跨模型、跨客户端复用 |
| 覆盖原语 | 仅函数调用 | Tools + Resources + Prompts |
| 执行位置 | 应用运行时 | 独立 Server 进程(本地或远程) |
| 是否可省略 | 用 MCP 时仍需要它做最后一步 | 不用 MCP 也能跑,只是不可复用 |
落地建议:什么时候用哪个
- 单一模型、工具数量少(<5 个)、无跨平台需求 :直接用原生 Function Calling,别为了架构优雅引入额外进程和网络跳数。
- 工具要服务多个模型或多个应用 :把工具封装成 MCP Server,这是收益最高的场景。
- 已有 LangChain/LlamaIndex 存量代码 :不必推倒重来。可以把现有工具包装成 MCP Server 暴露出去,新项目用轻量 MCP Client 接入,逐步剥离框架依赖。
- 接入第三方能力(视觉、文档、检索等) :优先找现成的 MCP Server,避免重复造轮子。
需要提前评估的成本有三项:MCP 多了一跳进程/网络调用,会带来额外延迟;需要一套权限与信任边界设计(远程 Server 的工具描述属于不可信输入,存在提示注入风险);协议仍在演进,要做版本兼容处理。
最后一公里:工具标准化之后,模型层怎么收敛
MCP 解决了”工具怎么接”,但”用哪个模型来驱动这些工具”仍是独立问题。不同模型在 Function Calling 上的表现差异明显——支持的并行调用数量、参数生成的准确率、长工具列表下的选择正确率、以及计费方式,都会直接影响 Agent 的最终效果与成本。
在词元所的大模型 API 服务平台上,你可以横向对比不同模型的能力与调用成本,并通过统一 API 接入方式降低多模型集成的复杂度,同时管理调用情况。对已经用 MCP 把工具层标准化的团队来说,模型层同样值得做一次标准化——两层都解耦了,Agent 的迭代成本才真正降下来。
建议的推进顺序是:先用一个真实业务工具跑通”Function Calling 直连”作为效果基线,再把它改造成 MCP Server 并接入多个客户端验证复用收益,最后根据实际调用数据在百度智能云词元所上做模型选型与成本优化。

登录后可评论,请前往 登录 或 注册