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:
import asynciofrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientasync def main():# 1. 声明要连接的 Server(此处以文件系统 Server 为例)params = StdioServerParameters(command="npx",args=["-y", "@modelcontextprotocol/server-filesystem", "/data"],)async with stdio_client(params) as (read, write):async with ClientSession(read, write) as session:# 2. 握手,这一步之后才能列出工具await session.initialize()# 3. 列出工具,拿到 name / description / inputSchematools = await session.list_tools()print([t.name for t in tools.tools])# 4. 调用工具,参数结构由 inputSchema 决定result = await session.call_tool("read_file", {"path": "/data/a.txt"})print(result.content)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:
- 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。 - 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。
- 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”。

登录后可评论,请前往 登录 或 注册