从Function Calling到MCP：大模型与外部工具交互的技术演进-AI智能范式网

从Function Calling到MCP：大模型与外部工具交互的技术演进

Chrysalid·2026-08-24·阅读 22 GEO检测（免费）

Function CallingMCP协议AI Agent

|难度：普通|阅读约 14 分钟

1. 从Function Calling到MCP的技术演进脉络

1.1 基础概念：什么是Function Calling

Function Calling是大模型与外部工具交互的核心机制。简单来说，它允许AI模型在需要时调用预定义的外部函数，就像人类在思考过程中突然查字典或使用计算器一样。这个机制最早出现在OpenAI的GPT-3.5版本中，解决了大模型"纸上谈兵"的问题。

典型的Function Calling工作流程：

用户提问："北京明天天气如何？"
模型识别需要调用天气API
生成结构化请求：get_weather(location="北京", date="tomorrow")
系统执行函数调用并返回结果
模型将原始数据转化为自然语言回复

关键点：函数定义必须包含清晰的名称、描述和参数schema。好的函数描述能让模型准确判断何时该调用它。

1.2 MCP协议的诞生背景

随着Agent系统复杂度提升，简单的Function Calling暴露出三个主要问题：

工具冲突：多个工具提供相似功能时，模型难以准确选择
状态管理：跨会话的工具状态维护困难
权限控制：缺乏细粒度的访问控制机制

MCP（Modular Control Protocol）应运而生，它本质上是一套增强版的Function Calling规范。最核心的改进是引入了：

工具版本控制
依赖关系声明
权限元数据
异步执行支持

例如，一个MCP格式的工具定义会包含：

json复制{
  "tool_name": "weather_query",
  "version": "1.2",
  "description": "获取指定城市未来7天天气预报",
  "required_scopes": ["basic"],
  "dependencies": ["geo_service"],
  "parameters": {...}
}

1.3 Agent架构的演进路线

现代AI Agent系统通常遵循这样的技术栈演进：

code复制基础Function Calling → 增强版MCP → 技能(Skills)市场 → 自主Agent

典型的技术里程碑包括：

2022年：GPT-3.5引入基础Function Calling
2023年：LangChain等框架实现工具组合
2024年：MCP协议标准化工具交互
2025年（预测）：动态技能组合成为主流

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. 核心组件深度解析

2.1 工具注册中心的工作原理

成熟的Agent系统都会维护一个工具注册中心，其核心功能包括：

工具发现：通过语义搜索匹配用户请求
冲突解决：当多个工具匹配时，根据准确度评分选择最优解
权限校验：验证当前会话是否有权使用该工具

实际部署时，推荐使用向量数据库存储工具描述，这样可以利用嵌入模型实现语义搜索。例如用OpenAI的text-embedding-3-small生成工具描述的嵌入向量。

2.2 会话状态管理的三种模式

Agent系统需要维护会话状态才能实现连贯对话，主流方案有：

模式	优点	缺点	适用场景
全内存	响应快，实现简单	无法跨会话持久化	简单对话场景
外部数据库	可持久化，支持分布式	引入延迟	企业级应用
混合模式	平衡性能与持久化	实现复杂度高	大多数生产环境

建议中小项目从SQLite开始，随着业务增长迁移到Redis或PostgreSQL。

2.3 权限系统的设计要点

一个健壮的Agent权限系统应该包含：

角色定义：如普通用户、开发者、管理员
权限粒度：工具级、字段级、操作级
上下文感知：根据对话阶段动态调整权限

实现示例（伪代码）：

python复制def check_permission(user, tool, context):
    if tool.required_scopes not in user.scopes:
        return False
    if tool.name == "payment" and context["sensitive"]:
        return user.trust_level > 5
    return True

3. 实战：构建你的第一个MCP Agent

3.1 开发环境准备

推荐工具栈：

Python 3.10+
FastAPI（用于暴露工具端点）
LangChain（可选，提供现成工具集成）
ChromaDB（轻量级向量数据库）

安装命令：

bash复制pip install fastapi uvicorn chromadb openai

3.2 定义你的第一个MCP工具

创建一个简单的天气查询工具：

python复制from pydantic import BaseModel
from fastapi import FastAPI

app = FastAPI()

class WeatherRequest(BaseModel):
    city: str
    date: str

@app.post("/mcp/weather")
async def weather_query(req: WeatherRequest):
    # 这里应该是真实的API调用
    return {
        "city": req.city,
        "date": req.date,
        "temperature": "25°C",
        "status": "sunny"
    }

工具描述文件weather.mcp.json：

json复制{
  "name": "weather",
  "description": "查询城市天气预报",
  "parameters": {
    "city": {"type": "string", "description": "城市名称"},
    "date": {"type": "string", "description": "日期，格式YYYY-MM-DD"}
  },
  "required": ["city"]
}

3.3 集成到Agent系统

使用OpenAI的Function Calling进行集成：

python复制import openai
from openai.types.chat import ChatCompletionToolParam

tools = [ChatCompletionToolParam(
    type="function",
    function={
        "name": "weather",
        "description": "获取城市天气预报",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string"},
                "date": {"type": "string"}
            },
            "required": ["city"]
        }
    }
)]

response = openai.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "北京明天天气如何？"}],
    tools=tools
)

4. 生产环境最佳实践

4.1 工具版本控制策略

建议采用语义化版本控制：

MAJOR：不兼容的API修改
MINOR：向下兼容的功能新增
PATCH：向下兼容的问题修正

在MCP描述中声明版本兼容性：

json复制{
  "compatibility": {
    "min": "1.0.0",
    "tested": "1.2.0"
  }
}

4.2 监控与日志记录

关键监控指标：

工具调用成功率
平均响应时间
权限拒绝次数
工具冲突次数

推荐使用Prometheus + Grafana搭建监控看板，示例指标采集：

python复制from prometheus_client import Counter

TOOL_CALLS = Counter('tool_calls_total', 'Total tool calls', ['tool_name', 'status'])

4.3 安全防护措施

必须实现的防护层：

输入验证：所有参数必须经过严格校验
速率限制：防止工具被滥用
敏感数据过滤：如身份证号、银行卡号等
沙箱执行：高风险工具应在隔离环境运行

FastAPI中间件示例：

python复制@app.middleware("http")
async def security_middleware(request: Request, call_next):
    if detect_sqli(request.query_params):
        raise HTTPException(status_code=400)
    return await call_next(request)

5. 常见问题排查指南

5.1 工具未被调用的诊断步骤

检查工具描述是否清晰明确
验证模型是否有足够上下文理解需求
测试直接指定工具能否正常工作
检查权限系统是否错误拒绝

5.2 性能优化技巧

工具预热：高频工具保持常驻内存
批量处理：合并相邻的工具调用
缓存策略：对相同参数的工具结果缓存
异步化：长时间运行的工具使用后台任务

5.3 调试工具推荐

MCP DevTools：Chrome插件，可视化查看工具调用
LangSmith：LangChain的调试平台
Postman：手动测试工具端点
Wireshark：网络层问题诊断

调试时可以在工具描述中添加测试用例：

json复制{
  "test_cases": [
    {"input": {"city": "北京"}, "expect": {"temperature": "number"}}
  ]
}

我在实际项目中发现，约70%的问题源于工具描述不够准确。建议每个工具都编写至少3个测试用例，覆盖典型、边界和错误场景。另外，工具版本升级时一定要保持向后兼容，或者提供明确的迁移指南。