在AI智能体（Agent）开发中，“工具调用”是连接大模型与外部世界的关键桥梁——让模型从“只能生成文本”升级为“能执行实际操作”，比如查天气、查数据库、调用API、执行代码等。而MCP（Multi-Context Prompting，多上下文提示）与Function Calling（函数调用），正是工具调用的两大核心方式，二者各有侧重、适配不同场景，掌握这两种方式，能大幅提升智能体的开发效率与落地能力。

本文将详细拆解MCP与Function Calling的核心功能、适用场景，搭配可直接运行的实操示例，帮你快速理解并上手，无论是面试讲解还是实际开发，都能直接复用。

一、先搞懂核心定位：MCP vs Function Calling

在深入讲解前，先明确二者的核心区别，避免混淆：

• Function Calling（函数调用）：大模型原生支持的结构化工具调用能力，模型直接输出标准化的“函数名+参数”，无需复杂提示词约束，稳定性高、适配工业级落地。

• MCP（多上下文提示）：一种提示词工程范式，不依赖模型原生能力，通过将工具描述、调用格式、示例、上下文等信息整合到提示词中，引导模型按规则调用工具，灵活适配各类模型（尤其是不支持原生Function Calling的开源模型）。

简单来说：Function Calling是“模型自带的工具调用技能”，MCP是“靠提示词教模型学会工具调用”，二者可单独使用，也可结合互补。

二、Function Calling：大模型原生的工具调用“标准答案”

2.1 核心功能解析

Function Calling是目前主流大模型（OpenAI GPT系列、Claude、文心一言、通义千问等）均支持的原生能力，其核心价值是“让模型输出结构化的工具调用指令”，而非杂乱的自然语言，开发者可直接解析指令、调用对应工具，再将工具返回结果回填给模型，生成最终回答，形成“提问→调用工具→获取结果→生成回答”的闭环。

核心功能亮点：

• 标准化输出：模型严格按照约定的格式（通常是JSON）输出函数名、参数，解析成本极低，不易出现格式错乱。

• 智能判断：模型会自主判断“是否需要调用工具”——如果问题可直接回答（如“1+1等于几”），则不调用工具；如果需要外部信息（如“今天北京天气”），则自动调用对应工具。

• 多工具兼容：支持同时定义多个工具，模型可根据问题自主选择适配的工具，甚至支持多工具并行调用。

• 可监控可追溯：工具调用的每一步（调用哪个工具、传入什么参数、返回什么结果）都可日志记录，便于调试和问题排查，适合工业级落地。

2.2 适用场景

Function Calling因其稳定性和标准化，是大多数企业级智能体的首选工具调用方式，核心适用场景包括：

• 外部数据查询：调用天气API、股票API、物流API等，获取实时数据（如“查询上海明天的气温”“查询某订单的物流状态”）。

• 结构化数据查询：结合NL2SQL，调用数据库工具，将自然语言转换为SQL语句，查询业务数据（如“查询2025年1月销售额超100万的门店”）。

• 工具执行类任务：调用计算器、代码解释器、邮件发送工具等，执行具体操作（如“计算(3.14×5)²的值”“生成一段Python代码实现数据可视化”）。

• 多步骤工具串联：配合智能体推理框架（ReAct、Planning），实现多工具按顺序调用（如“先查销量→再算增长率→最后生成报表”）。

2.3 实操示例（基于OpenAI GPT-3.5/4，可直接运行）

本次示例实现“天气查询”功能，步骤：定义天气查询工具→调用大模型→解析函数调用结果→执行工具→回填结果生成回答。

前提：安装依赖包 pip install openai python-dotenv，并配置OpenAI API Key。

from openai import OpenAI
from dotenv import load_dotenv
import os

# 1. 加载环境变量（存储API Key）
load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# 2. 定义工具（天气查询函数，模拟真实API调用）
def get_weather(city: str, date: str) -> str:
    """
    功能：查询指定城市指定日期的天气情况
    参数：
        city: 城市名称（如“北京”“上海”）
        date: 日期（格式：YYYY-MM-DD，如“2025-03-15”）
    返回：天气描述字符串
    """
    # 模拟API返回结果（实际开发中替换为真实API调用）
    weather_data = {
        "北京-2025-03-15": "晴，-5℃~5℃，微风，空气质量良",
        "上海-2025-03-15": "阴转小雨，8℃~12℃，东风3级，空气质量优"
    }
    key = f"{city}-{date}"
    return weather_data.get(key, f"未查询到{city}{date}的天气信息")

# 3. 定义工具列表（告诉模型有哪些可用工具）
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市指定日期的天气情况",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如北京、上海",
                    },
                    "date": {
                        "type": "string",
                        "description": "日期，格式为YYYY-MM-DD，如2025-03-15",
                    }
                },
                "required": ["city", "date"],  # 必须传入的参数
            }
        }
    }
]

# 4. 向模型提问，触发工具调用
user_question = "查询北京2025年03月15日的天气"
response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": user_question}],
    tools=tools,
    tool_choice="auto"  # 让模型自主判断是否调用工具
)

# 5. 解析模型响应，执行工具调用
response_message = response.choices[0].message
if response_message.tool_calls:
    # 提取工具调用信息
    tool_call = response_message.tool_calls[0]
    function_name = tool_call.function.name
    function_args = eval(tool_call.function.arguments)  # 解析参数（实际开发可用json.loads）
    
    # 执行对应的工具函数
    if function_name == "get_weather":
        weather_result = get_weather(** function_args)
        print(f"工具调用结果：{weather_result}")
        
        # 6. 将工具结果回填给模型，生成最终回答
        final_response = client.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[
                {"role": "user", "content": user_question},
                response_message,  # 模型之前的工具调用响应
                {
                    "role": "tool",
                    "name": function_name,
                    "content": weather_result
                }
            ]
        )
        print(f"最终回答：{final_response.choices[0].message.content}")
else:
    # 无需调用工具，直接输出回答
    print(f"最终回答：{response_message.content}")

运行结果：

工具调用结果：晴，-5℃~5℃，微风，空气质量良

最终回答：北京2025年03月15日的天气情况为：晴，气温-5℃~5℃，微风，空气质量良。

示例说明：模型自主判断需要调用get_weather工具，输出标准化的参数（city=北京，date=2025-03-15），我们解析后执行工具，再将结果回填给模型，最终生成自然语言回答，整个流程闭环且可控。

三、MCP（Multi-Context Prompting）：无模型依赖的工具调用“万能方案”

3.1 核心功能解析

MCP并非大模型原生能力，而是一种工程化的提示词设计范式——核心思想是“把所有与工具调用相关的信息，一次性整合到提示词中”，让模型即使不支持原生Function Calling，也能按照约定的格式调用工具。

MCP的核心是“上下文完整性”，提示词需包含以下关键要素：

• 角色定义：明确智能体的身份（如“工具调用助手”）。

• 工具列表：详细说明可用工具的名称、功能、参数格式、必填项。

• 调用规则：明确“什么时候调用工具”“调用格式要求”（如必须输出指定JSON格式）。

• 示例引导：提供正确/错误的调用示例，让模型快速学习。

• 上下文历史：保留多轮对话历史，确保工具调用的连贯性。

核心功能亮点：

• 无模型依赖：适配所有大模型，包括不支持原生Function Calling的开源模型（如Llama3、Qwen、GLM等）。

• 高度灵活：可根据业务需求，自定义工具调用格式、规则，无需受模型原生能力限制。

• 低成本落地：无需依赖模型的特殊接口，仅通过提示词优化，就能实现工具调用。

3.2 适用场景

MCP的灵活性使其适合多种场景，尤其是开源模型开发、快速原型验证等场景，核心适用场景包括：

• 开源模型工具调用：使用Llama3、Qwen等开源模型开发智能体，因模型不支持原生Function Calling，用MCP实现工具调用。

• 多工具定制化调用：需要自定义工具调用格式（如非JSON格式），或对工具调用逻辑有特殊要求（如多轮校验）。

• 快速原型验证：无需搭建复杂的工具调用解析逻辑，通过提示词快速验证工具调用的可行性。

• 低资源场景：模型算力有限，无法支持复杂的原生Function Calling，用MCP简化调用逻辑。

3.3 实操示例（适配所有大模型，以Qwen-7B为例）

本次示例同样实现“天气查询”功能，通过MCP提示词引导模型输出指定格式的工具调用指令，再解析执行。

前提：安装依赖包 pip install transformers accelerate qwen，加载Qwen-7B模型（可使用量化版本，降低算力要求）。

from transformers import AutoModelForCausalLM, AutoTokenizer

# 1. 加载Qwen-7B模型（量化版本，适配普通电脑）
model_name = "Qwen/Qwen-7B-Chat-Int4"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    device_map="auto",
    trust_remote_code=True
)

# 2. 定义MCP提示词（核心：整合所有工具调用相关信息）
mcp_prompt = """
你是一个工具调用助手，必须严格按照以下规则调用工具，不能直接回答问题。
### 可用工具列表
1. 工具名称：get_weather
   功能：查询指定城市指定日期的天气情况
   参数：
      city：字符串，必填，城市名称（如“北京”“上海”）
      date：字符串，必填，日期格式为YYYY-MM-DD（如“2025-03-15”）
### 调用规则
1. 只有当用户问题需要查询天气时，才调用get_weather工具；
2. 调用工具必须输出以下JSON格式，不能添加任何多余文本：
   {"tool": "get_weather", "params": {"city": "城市名", "date": "日期"}}
3. 若参数缺失（如未说明日期），无需追问，直接输出格式错误提示：{"error": "参数缺失，需提供城市和日期"}
### 正确示例
用户：查询上海2025年03月15日的天气
输出：{"tool": "get_weather", "params": {"city": "上海", "date": "2025-03-15"}}
### 错误示例
用户：查询上海天气
输出：{"error": "参数缺失，需提供城市和日期"}
### 上下文历史
无
### 用户问题
查询北京2025年03月15日的天气
"""

# 3. 调用模型，获取响应
inputs = tokenizer(mcp_prompt, return_tensors="pt").to(model.device)
outputs = model.generate(** inputs, max_new_tokens=100, temperature=0.1)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)

# 4. 提取模型输出，解析工具调用指令
# 截取模型输出中的JSON部分（实际开发可用正则优化解析）
import json
try:
    # 提取{}包裹的JSON内容
    json_start = response.find("{")
    json_end = response.rfind("}") + 1
    tool_call = json.loads(response[json_start:json_end])
    
    # 5. 执行工具调用（复用之前的get_weather函数）
    if tool_call.get("tool") == "get_weather":
        weather_result = get_weather(** tool_call["params"])
        print(f"工具调用结果：{weather_result}")
        # 生成最终回答（可再次调用模型，将结果回填）
        final_prompt = f"用户问的是'查询北京2025年03月15日的天气'，工具调用结果是：{weather_result}，请用自然语言总结回答。"
        final_inputs = tokenizer(final_prompt, return_tensors="pt").to(model.device)
        final_outputs = model.generate(** final_inputs, max_new_tokens=100, temperature=0.1)
        final_answer = tokenizer.decode(final_outputs[0], skip_special_tokens=True)
        print(f"最终回答：{final_answer}")
    elif tool_call.get("error"):
        print(f"模型提示：{tool_call['error']}")
except:
    print(f"模型输出格式错误，输出内容：{response}")

运行结果：

工具调用结果：晴，-5℃~5℃，微风，空气质量良

最终回答：北京2025年03月15日的天气为晴，气温在-5℃到5℃之间，微风，空气质量良。

示例说明：通过MCP提示词，我们明确了工具调用的格式、规则和示例，即使Qwen-7B不支持原生Function Calling，也能输出标准化的工具调用指令。解析指令后执行工具，再将结果回填给模型，完成整个工具调用流程。

四、MCP与Function Calling 深度对比及选型建议

4.1 核心对比表

对比维度	Function Calling	MCP
核心依赖	大模型原生支持	提示词工程，无模型依赖
输出格式	标准化JSON，稳定可控	依赖提示词约束，易出现格式错乱
开发成本	低（无需复杂提示词，解析简单）	高（需设计完善的提示词，优化解析逻辑）
适配模型	主流闭源模型（GPT、Claude等）+ 部分开源模型	所有大模型（闭源+开源）
稳定性	高，工业级可用	中等，取决于提示词质量
调试难度	低，可日志监控每一步调用	高，需优化提示词、调整解析逻辑

4.2 选型建议

• 优先选Function Calling：如果使用闭源模型（GPT、文心一言等），且追求稳定性、工业级落地，优先使用Function Calling，开发效率高、调试简单。

• 选MCP的情况：使用开源模型（Llama3、Qwen等），或需要自定义工具调用格式、规则，无法使用原生Function Calling时，选择MCP。

• 混合使用：实际开发中，可结合二者优势——用Function Calling实现核心工具调用，用MCP适配特殊场景（如开源模型 fallback），提升系统的兼容性和稳定性。

五、总结

MCP与Function Calling，是大模型工具调用的两大核心方式，二者并非对立，而是互补共生：Function Calling胜在“稳定、标准、高效”，适合工业级落地；MCP胜在“灵活、无依赖、低成本”，适合开源模型和定制化场景。

掌握这两种工具调用方式，能让你在AI智能体开发中灵活应对不同场景——无论是基于闭源模型快速落地项目，还是基于开源模型搭建定制化智能体，都能游刃有余。