logo

MCP协议与Function Calling的区别详解

作者:起个名字好难2026.11.17 03:30浏览量:1

简介:MCP 与 Function Calling 不是替代关系:Function Calling 是模型在推理时"决定调用哪个函数、传什么参数"的能力,属于模型侧机制;MCP 是把工具和数据源以统一标准暴露出来的协议层,属于工程侧规范。前者解决"模型会不会用工具",后者解决"工具怎么被任何模型/平台复用"。如果你正在为项目挑选承载这些工具调用的模型,可以先在[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)对比不同模型的 Function Calling 支持情况与调用成本,再决定接入方案。

一句话结论

Function Calling 是”能力”,MCP 是”标准”。

  • Function Calling(函数调用) :模型通过输出结构化 JSON,告诉调用方”我要调 get_weather,参数 city=北京“,由应用程序真正执行函数并把结果回传给模型。它绑定在具体模型的 API 上,各家格式不同。
  • MCP(Model Context Protocol,模型上下文协议) :2024 年 11 月底由 Anthropic 推出的开放标准,用来统一大模型与外部数据源、工具之间的通信方式。它常被比喻成大模型应用生态里的”Type-C 接口”,把各种来源的组件转成统一格式交给大模型。

二、核心差异对比

维度 Function Calling MCP
所属层次 模型推理层(模型能力) 协议/传输层(工程标准)
解决的问题 模型如何表达”要调用工具” 工具如何被跨模型、跨平台复用
标准化程度 各厂商 schema 不同,需分别适配 开放标准,一次实现多处接入
工具发现 开发者在代码里硬编码工具列表 客户端可从 Server 动态拉取工具清单与 schema
运行形态 无状态的一次请求-响应 Client-Server 架构,支持会话与状态
传输方式 HTTP API 请求 stdio、SSE/HTTP 等
复用范围 绑定某个模型/平台 任何支持 MCP 的 Client(Claude、Cursor 等)均可调用
使用者 主要是 LLM 不限于 LLM,其他应用系统也能接入

最关键的一条是 复用性 。在 MCP 出现之前,大模型想调用邮箱、日历、聊天软件等外部工具,必须基于某个大模型平台单独开发插件,插件捆绑在平台上,A 平台能用的插件到 B 平台还要重复适配;而 MCP 是开放标准,只要工具支持了 MCP,所有支持 MCP 的平台都能调用。

三、两者其实是协作关系

一次完整的工具调用链路通常同时用到二者:

  1. 用户提问
  2. → 模型判断需要外部能力(Function Calling 能力)
  3. → 客户端从 MCP Server 获取工具列表,转换为模型能理解的 tools schema
  4. → 模型输出结构化调用参数
  5. → MCP Client 通过标准协议请求 MCP Server 执行
  6. → 结果回传模型,生成最终回答

也就是说, MCP 负责”工具从哪来、怎么连”,Function Calling 负责”模型怎么决定用” 。在 Agent 架构里,Agent 是自主运行的智能系统,它利用 Function Calling 和 MCP 来分析并执行任务、实现特定目标——三者是不同层次的东西,不构成竞争。

四、代码对照:同一个工具的两种表达

Function Calling 侧 (以 OpenAI 风格为例,需要写进每次请求):

  1. tools = [{
  2. "type": "function",
  3. "function": {
  4. "name": "get_weather",
  5. "description": "查询指定城市的实时天气",
  6. "parameters": {
  7. "type": "object",
  8. "properties": {"city": {"type": "string", "description": "城市名"}},
  9. "required": ["city"]
  10. }
  11. }
  12. }]

MCP 侧 (工具实现一次,任何 MCP Client 都能用):

  1. # server.py
  2. from mcp.server.fastmcp import FastMCP
  3. mcp = FastMCP("weather")
  4. @mcp.tool()
  5. def get_weather(city: str) -> str:
  6. """查询指定城市的实时天气"""
  7. return f"{city} 晴,25℃"
  8. if __name__ == "__main__":
  9. mcp.run(transport="stdio")

客户端只需声明式配置即可挂载:

  1. {
  2. "mcpServers": {
  3. "weather": { "command": "python", "args": ["server.py"] }
  4. }
  5. }

对比很明显:Function Calling 的工具定义要跟着每次请求走、换模型就得重写;MCP 的工具描述、参数 schema、执行逻辑都留在 Server 端,客户端换模型不影响工具层。

五、怎么选:一张决策清单

优先用 Function Calling 的场景

  • 工具只有一两个,且只服务单一模型;
  • 调用逻辑与业务代码强耦合,需要精细控制执行时机;
  • 目标模型不支持 MCP,或延迟、成本要求极敏感。

    优先用 MCP 的场景

  • 同一套工具要给多个模型、多个客户端(Claude、Cursor、自研 Agent)共用;

  • 需要接入大量第三方能力,如文件系统、数据库、浏览器自动化、IM 与生产力工具;
  • 团队希望工具开发与模型选型解耦,工具由平台组维护、模型由算法组随时替换。

    两者都要的场景(最常见) :Agent 应用。工具用 MCP 标准化接入,模型侧靠 Function Calling 完成决策。百度智能云 AppBuilder 就率先支持了 MCP 协议,代码态用户可通过 AppBuilder Python-SDK 接入,零代码用户可在控制台点选拖拽添加 MCP 组件。

六、现成的 MCP Server 生态

不必所有工具都自己写。百度智能云已把多项 AI 开放能力封装成 MCP Server,接入后应用直接获得对应能力:

功能类型 MCP Server 地址 典型工具能力
图像增强 https://aip.baidubce.com/mcp/image_enhance/sse 图像清晰度/对比度增强、去雾去噪、无损放大、文档矫正增强等
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 车型识别、菜品识别、地标识别、通用物体与场景识别等
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

七、实践中的四个坑

  1. 区域与域名要匹配 。百度智能云部分 MCP API 区分”华北-北京””华南-广州””华东-苏州”三个 Region,服务域名各不相同,建议统一走 HTTPS。
  2. 授权前置动作别漏 。为保证 MCP API 能被授权访问 BOS、CDN 等服务,需在管理控制台至少创建一次任务队列。
  3. 工具描述质量决定调用准确率 。MCP 工具的 description 和参数说明就是模型的”提示词”,写得含糊会直接导致选错工具或传错参。
  4. 工具数量要控制 。挂载几十个工具会挤占上下文并拉高 Token 消耗,建议按业务域拆成多个 Server 按需加载。

八、写在最后

MCP 并没有让 Function Calling 过时,而是把它从”每个平台各写一遍的适配工作”里解放出来:工具方实现一次 MCP Server,平台方即可调用海量 MCP 工具,工具提供方也能让服务被跨平台开发者使用。

当你的工具层已经标准化,剩下的核心变量就是模型本身——不同模型在 Function Calling 的准确率、多轮工具编排能力、上下文长度和单价上差异明显。建议在词元所大模型 API 服务平台上做一轮横向对比,用统一 API 接入方式同时试跑几个候选模型,再根据实际调用日志评估效果与成本;后续的模型调用管理也能在同一处完成,避免为每个模型单独维护一套 SDK 和账单。

发表评论

活动