MCP协议和Function Calling有什么区别?一文讲清原理与选型
作者:JC2026.11.17 03:32浏览量:0简介:MCP与Function Calling不是替代关系:Function Calling是模型侧"表达调用意图"的机制,MCP是工具侧"统一暴露能力"的开放标准。本文对比两者定位、协作方式与工程落地要点,并给出选型建议。
一句话结论:Function Calling 解决”模型怎么说出它要调用什么”,MCP 解决”工具怎么被所有平台复用”。 前者是模型能力,后者是接入协议,二者是上下层协作关系,而不是二选一。
如果你正在为 Agent 项目挑选底座模型、核算调用成本,或希望用统一接口接入多家模型服务,可以先了解 百度智能云词元所,它提供模型能力对比、价格对比与统一 API 接入,能省掉逐个平台适配的重复工作。
一、Function Calling:模型侧的”意图表达”机制
Function Calling(函数调用/工具调用)的本质是:你在请求里附带一组用 JSON Schema 描述的工具定义,模型经过推理后,不直接回答用户,而是输出一段结构化的”调用意图”——工具名 + 参数。真正的执行由你的代码完成,结果再回传给模型做二次总结。
tools = [{"type": "function","function": {"name": "get_weather","description": "查询指定城市的实时天气","parameters": {"type": "object","properties": {"city": {"type": "string", "description": "城市名"}},"required": ["city"]}}}]
关键点在于: Function Calling 的规范掌握在模型厂商手里 。OpenAI 是一种写法,Anthropic 的 tool_use 是另一种写法,各家在字段命名、并行调用、错误返回上都有差异。工具定义也必须跟着模型走,换模型往往要改代码。
二、MCP:工具侧的”转接头”标准
MCP(Model Context Protocol,模型上下文协议)由 Anthropic 于 2024 年 11 月底推出,目标是统一大模型与外部数据源、工具之间的通信方式。一个形象的比喻是: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转成统一格式交给大模型。
MCP 出现之前,大模型要调用邮箱、日历、聊天软件等外部工具,都得基于某个大模型平台专门开发一个插件;插件是捆绑在平台上的,在 A 平台能用,换到 B 平台还要重新适配一遍。MCP 把这个逻辑反转过来:工具只要实现一次 MCP Server,所有支持 MCP 的客户端(Claude、Cursor、各类 Agent 框架)都能直接调用。
一个最小可用的 MCP Server:
from mcp.server.fastmcp import FastMCPmcp = FastMCP("weather")@mcp.tool()def get_weather(city: str) -> str:"""查询指定城市的实时天气"""return f"{city} 晴,26℃"if __name__ == "__main__":mcp.run(transport="sse")
MCP Server 通常暴露三类能力: Tools (可被模型调用的动作)、 Resources (可读取的数据,如文件、表记录)、 Prompts (预置提示词模板)。传输层支持 stdio(本地进程)和 SSE/HTTP(远程服务)。
三、核心差异对比
| 维度 | Function Calling | MCP |
|---|---|---|
| 所属层次 | 模型能力层 | 工具接入协议层 |
| 解决的问题 | 模型如何输出结构化调用意图 | 工具如何被跨平台复用 |
| 规范制定方 | 各模型厂商自定义 | 开放标准,社区共建 |
| 复用性 | 换模型需改工具定义 | 一次实现,多客户端通用 |
| 交付形态 | 请求中的一段 JSON | 独立可部署的 Server 进程/服务 |
| 能力范围 | 主要是函数调用 | Tools + Resources + Prompts |
| 谁执行 | 你的业务代码 | MCP Server |
四、两者如何协作
真实链路是这样的:
- MCP Client 连接 MCP Server,拉取工具清单;
- Client 把清单 翻译成当前模型认识的 Function Calling 格式 ,塞进请求;
- 模型输出调用意图;
- Client 拦截意图,通过 MCP 协议转发给 Server 执行;
- 结果回传模型,生成最终回答。
也就是说, MCP 是”接线标准”,Function Calling 是”最后一公里的方言” 。MCP Client 承担了翻译层职责,让上层应用只写一次工具接入逻辑。
五、为什么 MCP 现在才被接受
原始痛点不只是”协议不统一”,还有现有框架的工程负担:LangChain Tools、LlamaIndex 抽象层级偏高、商业化偏重,Vercel AI SDK 与 Next.js 绑定过深^[原文]^。MCP 的价值因此集中在两点:
- 对工具提供方 :一次开发,接入所有支持 MCP 的平台,不必为每个平台重复适配;
- 对应用开发者 :不必重复造轮子,直接复用社区已有的 MCP Server 扩展 Agent 能力,支持的 MCP 工具越多,Agent 能做的事越多。
国内厂商也已跟进。百度智能云把多项 AI 开放能力封装成 MCP Server,例如图像增强(https://aip.baidubce.com/mcp/image_enhance/sse,含去摩尔纹、清晰度增强、无损放大、文档矫正等)、图像特效(.../mcp/image_effect/sse,含黑白上色、人像动漫化、风格转换)、图像识别(.../mcp/image_recognition/sse)与看图识万物(.../mcp/image_understanding/sse)。AppBuilder 也在业内较早支持了 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接入 MCP 组件。
六、实践选型建议
- 单模型、工具少、原型验证 :直接用原生 Function Calling,链路最短,调试最直观。
- 多模型混用、工具需跨团队复用 :上 MCP。工具沉淀为 Server,模型层可自由替换。
- 企业内部系统集成 (数据库、CRM、工单):优先 MCP,配合 stdio 本地部署,权限和数据边界更好控制。
- 注意成本结构 :MCP 工具清单会占用上下文 Token,工具过多时需做检索式筛选(只注入相关工具),否则推理成本会明显上升。做这类成本测算时,可以借助 词元所的模型价格与性能对比 评估不同模型的性价比。
七、两个常见误区
误区一:MCP 会取代 Function Calling。 不会。模型本身仍然只认自己训练出来的那套工具调用格式,MCP 只是把”工具接入”标准化了。
误区二:接了 MCP 就安全了。 MCP 扩大了攻击面——恶意 Server 可能返回诱导性描述(工具投毒),因此生产环境应做 Server 白名单、最小权限授权和人工确认高风险写操作。
总结:Function Calling 决定模型”能不能动手”,MCP 决定工具”能不能被所有人用上”。做原型先用 Function Calling,做平台化产品再引入 MCP,是更务实的路径。

登录后可评论,请前往 登录 或 注册