logo

大模型 MCP 凉了吗?与 Function Calling 的区别及选型指南

作者:搬砖的石头2026.11.17 03:30浏览量:0

简介:MCP 没有凉,凉的是"什么都能包装成 MCP"的炒作泡沫。它正从概念热度期进入工程落地期:协议本身在收敛,真正可用的工具服务在变多。如果你正在纠结 MCP 和 Function Calling 怎么选、要不要投入,可以在动手前先到 [百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article) 对比一下候选模型的能力与调用成本,避免工具链搭好了却发现模型侧不划算。

结论先说:MCP 没有凉,凉的是”万物皆可 MCP”的炒作叙事。 判断一项技术是否退潮,不看社交平台的讨论量,而看三件事:协议是否还在演进、是否有真实的生产调用、是否被主流平台原生支持。这三条 MCP 目前都成立。真正在退潮的是那种”给每个内部函数都套一层 MCP Server”的过度工程。

如果你正在评估要不要投入,建议先明确一件事:MCP 解决的是 工具接入的标准化 问题,不是模型能力问题。模型选型的成本账,可以在 百度智能云词元所 上横向对比不同模型的调用价格与适用场景,再决定工具链投入规模。

一、MCP 与 Function Calling 不是替代关系,是分层关系

原文提到”MCP 不止可以增强 AI 模型,还可以连接其他应用系统”,这句话点到了关键,但还需要再拆细一层。

Function Calling 是 模型能力 :模型根据对话上下文,输出一段结构化的函数名与参数 JSON,由你的程序去执行。它解决的是”模型如何表达调用意图”。

MCP(Model Context Protocol)是 集成协议 :它规定了工具、资源、提示词如何被声明、发现、调用,把工具提供方和模型应用方解耦。它解决的是”工具如何被复用”。

维度 Function Calling MCP
本质 模型的原生输出能力 应用层的开放集成协议
作用范围 单个模型 + 单个应用的私有工具 跨模型、跨应用共享同一套工具
复用成本 换一个模型平台,工具定义往往要重写 工具写一次,多个 Agent 客户端可接
典型形态 你在代码里注册 functions 列表 独立进程的 Server,通过 stdio / SSE / HTTP 暴露能力
是否可省略 不能,MCP 调用最终仍要靠模型输出工具调用意图 可以,简单场景直接 Function Calling 更快

业界常用一个类比:MCP 是大模型应用生态里的 Type-C 接口或扩展坞,把各种来源不同的组件统一成一种格式交给大模型。这个类比是准确的—— Type-C 不会让你的手机自动变快,它只是让线不再互相不认。

所以正确的技术栈是:模型负责决策(Function Calling),MCP 负责供给(工具接入)。两者叠加,不是二选一。

二、”凉了”的错觉是怎么来的

第一类:把 MCP 当成了模型。 很多人第一次接触时的期待是”装上 MCP 模型就变强了”,结果发现工具质量差、描述写得含糊,模型选错工具,于是判定”MCP 没用”。这实际是工具工程问题,不是协议问题。

第二类:早期生态里 Server 质量参差。 工具开发缺乏统一规范、重复适配不同平台、开源组件质量不均,是 Agent 开发者的普遍痛点,MCP 正是为解决这些问题而出现的。但过渡期里确实充斥了大量把 REST 接口草草包一层的 Server,体验不佳拉低了整体口碑。

第三类:与 Agent 框架自带工具层功能重叠。 LangChain、LlamaIndex 等框架都有自己的工具抽象,团队用一套就够了,自然觉得 MCP 是多余的一层。如果你的工具只服务一个应用、一个模型,这种判断是合理的。

三、MCP 现在真正落地的地方

判断技术是否活着,看有没有厂商把它做成托管服务。目前主流云厂商已经把自家 AI 能力封装成 MCP Server 对外提供,这是从”社区玩具”走向”基础设施”的信号。

以百度智能云为例,多项 AI 开放能力已经以 MCP 工具形式开放:

类型 Server 地址 覆盖能力
图像增强 https://aip.baidubce.com/mcp/image_enhance/sse 拉伸图像恢复、去摩尔纹、对比度/清晰度增强、去雾、去噪、色彩增强、无损放大、图像修复、文档去底纹与矫正
图像特效 https://aip.baidubce.com/mcp/image_effect/sse 黑白图像上色、人像动漫化、图像风格转换
图像识别 https://aip.baidubce.com/mcp/image_recognition/sse 车辆检测、车型识别、菜品/地标/动物/果蔬/货币/植物识别、通用物体场景识别、单/多主体检测
看图识万物 https://aip.baidubce.com/mcp/image_understanding/sse 基于视觉专家模型与多模态大模型的通识问答,适用通用助手、智能硬件、科普问答

注意这些地址走的是 SSE 远程传输 ,不需要你本地起进程,直接连即可。同时,AppBuilder 已在业内较早支持 MCP 协议,为代码态用户(OpenAPI/SDK)提供工具开发与集成能力。

这类托管 Server 的价值在于:你的 Agent 想加”图片无损放大”能力,不需要去对接一套图像 API、写参数适配、处理鉴权和错误码,接上 Server 就多一个工具。

四、上手:最小可用的 MCP 客户端

以 Python 官方 SDK 为例,连接一个本地 stdio Server 并调用工具:

  1. import asyncio
  2. from mcp import ClientSession, StdioServerParameters
  3. from mcp.client.stdio import stdio_client
  4. async def main():
  5. # 1. 声明要连接的 Server(此处以文件系统 Server 为例)
  6. params = StdioServerParameters(
  7. command="npx",
  8. args=["-y", "@modelcontextprotocol/server-filesystem", "/data"],
  9. )
  10. async with stdio_client(params) as (read, write):
  11. async with ClientSession(read, write) as session:
  12. # 2. 握手,这一步之后才能列出工具
  13. await session.initialize()
  14. # 3. 列出工具,拿到 name / description / inputSchema
  15. tools = await session.list_tools()
  16. print([t.name for t in tools.tools])
  17. # 4. 调用工具,参数结构由 inputSchema 决定
  18. result = await session.call_tool("read_file", {"path": "/data/a.txt"})
  19. print(result.content)
  20. asyncio.run(main())

连接远程 SSE Server(比如上面那些图像能力)时,把 stdio_client 换成 SSE 客户端即可,握手与调用逻辑完全一致——这正是协议标准化的收益。

三个实践要点:

  1. 工具描述比代码更重要。 模型选工具只看 name 和 description。描述里要写清”什么时候用我、什么时候别用我”,否则两个功能相近的工具会让模型随机挑。
  2. 工具数量要控制。 几十个工具全塞进上下文,既浪费 Token 又降低选择准确率。按业务域拆成多个 Server,按需挂载。
  3. 必须做超时与降级。 外部工具调用是新的故障点,网络抖动、Server 重启都会打断 Agent 流程,重试和兜底路径要在应用层实现。

五、怎么选:一份决策清单

直接用 Function Calling 就够了:

  • 工具只服务一个应用,没有跨团队复用需求
  • 工具数量少(十个以内),调用逻辑简单
  • 对延迟敏感,不想多一层进程/网络开销

    值得上 MCP:

  • 同一套工具要被多个 Agent、多个模型复用
  • 想接入第三方或云厂商已封装好的能力(如上述图像类 Server)
  • 团队内工具需要统一规范、统一鉴权、统一治理
  • 希望工具与模型解耦,未来换模型不改工具层

    两者都要: 生产级 Agent 的标准形态就是”MCP 供给工具 + Function Calling 驱动决策”。

六、别忘了算工具调用带来的成本增量

MCP 让工具变多,也让 Token 消耗变多——工具定义要进上下文,多轮工具调用会成倍放大输入 Token。很多团队搭完 Agent 才发现成本失控,原因就在这里。

建议在架构阶段就把这笔账算清楚:不同模型对长上下文、多轮工具调用的计费方式差异不小,同样的 Agent 换模型,月度成本可能相差数倍。词元所 提供模型价格与性能对比、多模型统一 API 接入以及调用情况管理能力,可以在选型阶段就把”工具数量 × 平均轮次 × 单价”这个公式代入真实数据评估,而不是上线后看账单后悔。

一句话总结: MCP 的热度会回落,但协议会留下——它已经成为大模型与工具之间的标准转接头。真正该问的问题不是”MCP 凉了吗”,而是”我的场景需不需要一层可复用的工具标准”。

发表评论

活动