Marco Liu1. 从Function Calling到MCP协议：AI工具调用的标准化演进
在AI应用开发中，大型语言模型（LLM）本身只是一个文本生成引擎，它无法直接访问数据库、操作系统或其他外部资源。要让LLM具备这些能力，就需要Function Calling（工具调用）机制。这就像给一个只会说话的助手配上了可以操作现实世界的手和脚。
传统的Function Calling实现方式简单直接，但存在严重的复用性问题。每次开发新应用时，开发者都需要重新编写工具调用代码，无法在不同AI客户端之间共享工具。这就像每家电器厂商都使用自己的专用插座，导致电器无法通用。
MCP（Model Context Protocol）协议的出现解决了这个问题。它就像电子设备领域的USB标准，为AI工具调用提供了统一的接口规范。通过MCP，开发者可以编写一次工具，就能在任何支持MCP协议的AI客户端中使用。
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基础实现解析
2.1 传统实现方式：chat.py
在传统的chat.py实现中，所有功能都集中在一个文件中：
python复制TOOLS = [
{
"type": "function",
"function": {
"name": "get_teacher_info",
"description": "根据教师姓名查询其工号、所在院系、职称、邮箱",
"parameters": {
"type": "object",
"properties": {
"name": {"type": "string", "description": "教师姓名，如：张伟"}
},
"required": ["name"],
},
},
}
]
这种实现方式有三个主要步骤：
- 手动定义工具列表：明确告诉LLM有哪些工具可用
- 本地执行工具：当LLM决定调用工具时，直接在本地执行相应函数
- 对话循环管理：处理LLM的响应，根据需要调用工具并返回结果
提示：在实际开发中，工具描述(description)要尽可能详细准确，这直接影响LLM是否能够正确选择和使用工具。
2.2 传统实现的局限性
这种集中式实现虽然简单，但存在几个明显问题：
- 代码重复：每个新项目都需要复制工具代码
- 适配成本高：不同AI客户端可能有不同的接口规范
- 维护困难：工具更新需要在所有使用它的地方同步修改
这些问题在复杂项目中会变得尤为突出，特别是当工具数量增多、调用关系复杂时。
3. MCP协议深度解析
3.1 MCP协议的核心思想
MCP协议的核心价值在于解耦和标准化：
- 工具定义标准化：统一工具的描述方式
- 调用接口标准化：统一工具调用的请求响应格式
- 执行环境隔离：工具执行与LLM推理分离
这种设计使得工具开发者可以专注于工具本身的功能实现，而不必关心工具将被哪些AI客户端使用。
3.2 MCP协议的技术细节
MCP协议基于JSON-RPC 2.0，主要包含三种基本操作：
- 初始化握手(initialize)：协商协议版本和基础信息
- 工具列表获取(tools/list)：客户端获取可用工具列表
- 工具调用(tools/call)：实际执行工具并返回结果
一个典型的工具调用流程如下：
json复制// 客户端请求
{
"jsonrpc": "2.0",
"id": 3,
"method": "tools/call",
"params": {
"name": "get_teacher_info",
"arguments": {"name": "张伟"}
}
}
// 服务端响应
{
"jsonrpc": "2.0",
"id": 3,
"result": {
"content": [
{
"type": "text",
"text": "{\"name\": \"张伟\", \"employee_no\": \"T20240001\"}"
}
]
}
}
3.3 MCP协议的优势特性
- 语言无关性：基于JSON的协议使得不同编程语言实现的组件可以互操作
- 传输协议灵活性：支持stdio和HTTP两种通信方式
- 扩展性强：协议设计考虑了未来可能的功能扩展
4. MCP架构实现详解
4.1 MCP Server实现
MCP Server是工具的实际执行者，使用装饰器方式定义工具：
python复制from mcp.server.fastmcp import FastMCP
mcp = FastMCP("SchoolDB")
@mcp.tool()
def get_teacher_info(name: str) -> dict:
"""
根据教师姓名查询工号、院系、职称、邮箱。
参数:
name: 教师姓名，如 "张伟"
"""
rows = query("SELECT * FROM teachers WHERE name = %s", (name,))
return rows[0] if rows else {"error": f"未找到教师：{name}"}
mcp.run(transport="stdio")
这种实现方式相比手动定义TOOLS字典有以下优势：
- 自动生成工具描述：从函数签名和docstring提取
- 类型安全：参数类型检查更严格
- 代码更简洁：逻辑更集中，维护更方便
4.2 MCP Client实现
MCP Client负责与LLM交互并通过MCP协议调用工具：
python复制async with ClientSession(read_stream, write_stream) as session:
await session.initialize()
tools = await session.list_tools()
# 将工具列表提供给LLM
response = llm.chat.completions.create(
model=MODEL,
messages=messages,
tools=convert_to_openai_format(tools),
tool_choice="auto"
)
# 处理LLM响应，调用工具
if tool_calls := response.choices[0].message.tool_calls:
for call in tool_calls:
result = await session.call_tool(call.function.name, json.loads(call.function.arguments))
# 将结果返回给LLM继续处理
4.3 通信模式选择
MCP支持两种通信模式：
-
stdio模式：
- 适合本地开发调试
- 无需网络配置
- 启动简单，Client自动启动Server
-
HTTP模式：
- 适合生产环境部署
- 支持远程调用
- 需要额外的网络配置
选择建议：开发阶段使用stdio模式，上线部署使用HTTP模式。
5. 实战经验与优化建议
5.1 工具设计最佳实践
- 单一职责原则：每个工具只做一件事
- 明确接口定义：输入输出类型要清晰
- 完善的文档：docstring要包含示例和边界情况说明
- 错误处理：考虑各种异常情况并提供有意义的错误信息
5.2 性能优化技巧
- 批量操作：支持批量处理的工具可以减少调用次数
- 缓存机制：对频繁查询且变化不频繁的数据添加缓存
- 异步实现：IO密集型工具使用异步实现提高吞吐量
- 连接池管理：数据库等资源连接要妥善管理
5.3 调试与问题排查
- 日志记录：详细记录请求和响应
- 输入验证：在工具入口处严格检查参数
- 超时设置：避免长时间无响应的调用
- 版本管理：工具接口变更时要考虑向后兼容
6. MCP协议的应用前景
MCP协议为AI应用开发带来了新的可能性：
- 工具生态系统：可以建立共享的工具市场
- 专业化分工：工具开发者和AI应用开发者可以专注不同领域
- 组合创新：通过组合不同工具创造新应用
- 标准化评估：统一的接口便于性能评估和比较
在实际项目中采用MCP协议，不仅解决了工具复用的问题，还为未来的功能扩展和系统演进提供了良好的基础。随着AI应用的普及，这类标准化协议的价值将会越来越明显。