1. 从厨房到外卖平台:理解Function Calling与MCP的本质差异
第一次接触大语言模型(LLM)的扩展能力时,很多人都会被Function Calling和MCP这两个概念搞糊涂。作为在AI应用开发领域摸爬滚打多年的从业者,我想用最接地气的方式帮你理清这两者的区别。
想象一下,Function Calling就像你家厨房里的厨具——菜刀、炒锅、微波炉都归你所有,用起来顺手,但如果你想换个新锅或者请朋友来用你的厨房,就会遇到各种麻烦。而MCP则像外卖平台,各家餐厅(工具提供者)在平台上提供自己的特色菜品(功能),你作为消费者可以自由选择组合,不用操心厨房里的事。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Function Calling:让LLM拥有"动手能力"的基础协议
2.1 什么是Function Calling?
Function Calling本质上是一套让大语言模型与外部世界交互的"翻译规则"。它解决了LLM的一个根本局限——虽然模型很擅长理解和生成文本,但它本身无法直接操作现实世界的数据和系统。
在实际项目中,Function Calling的工作流程通常是这样:
- 定义工具集:开发者预先编写好一组函数,比如:
python复制def get_weather(location: str) -> str:
"""获取指定城市的天气信息"""
# 这里调用天气API的具体实现
return weather_data
- 描述工具:用JSON格式告诉模型这些函数的用途和参数:
json复制{
"name": "get_weather",
"description": "获取指定位置的天气情况",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市名称,如'北京'"
}
}
}
}
- 模型决策:当用户问"上海今天天气怎么样?"时,
