MCP 和 Function Calling 有什么区别?

MCP 与 Function Calling 的区别是什么? MCP与Function Calling是AI领域的两种不同技术方案。Function Calling是AI模型(如GPT-4)的内置功能,用于直接调用预定义函数,适合简单场景和快速开发。而MCP是一个标准化的通信协议,提供独立的工具生态系统,支持多模型、复杂资源访问和企业级应用。两者可协同工作:Function Calling作为模型入口,MCP提供底层工具支持。简单场景建议使用Function Calling,复杂场景推荐MCP架构,或结合两者优势构建AI应用。 阅读详情

很多人第一次看到 MCP,会把它理解成 Function Calling 的升级版。这个说法不准确。MCP 和 Function Calling 不是谁淘汰谁,而是解决的问题不在同一层。

更通俗一点:Function Calling 负责把“模型这一次要调哪个函数、参数是什么”说清楚;MCP 负责把外部工具做成标准服务,让不同 AI 应用都能发现、连接和复用。

实际落地时,两者经常一起用:MCP 把工具接进来,Function Calling 让模型在对话里选择并触发工具。

  1. Function Calling:解决“一次调用怎么表达”
    ================================

Function Calling 的重点是单次调用格式。你把工具说明发给模型,模型判断需要工具时,返回一个结构化调用请求;你的业务代码拿到参数后,才真正执行函数。

所以,Function Calling 不是让模型直接访问数据库、写文件、发消息。模型只负责生成调用意图,真正执行动作的是应用侧代码。

比如定义一个查询天气的工具,模型看到用户问“上海今天热不热”,就可以选择调用 get_weather。工具定义一般会用 JSON Schema 描述参数。

Function Calling 工具定义:

{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get weather by city name.",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string"
}
},
"required": [
"city"
],
"additionalProperties": false
},
"strict": true
}
}

模型返回的一次工具调用:

{
"type": "function_call",
"name": "get_weather",
"arguments": "{\"city\":\"Shanghai\"}"
}

这就是 Function Calling 的边界:它让模型用结构化方式表达动作,但工具从哪里来、怎么注册、怎么跨项目复用、怎么统一治理,不是它主要解决的问题。

  1. 只靠 Function Calling,工具多了会重复建设
    ================================

如果只有一两个工具,Function Calling 很轻巧。但当多个应用都要接同一批工具时,问题会变明显:每个应用都要写一份 schema,每个应用都要写执行逻辑,每个应用都要处理权限、异常和日志。

比如客服 Agent、运营 Agent、研发 Agent、数据 Agent 都要接 GitHub、Slack、数据库和文件系统。如果只靠 Function Calling,很容易变成“每个项目复制一遍工具定义”。

  1. MCP:解决“工具怎么接入、发现和复用”
    =======================

MCP 的思路是:不要让每个 AI 应用都重复对接外部系统,而是把外部系统封装成 MCP Server。AI 应用作为 Host,通过 Client 连接 Server,自动发现可用工具和资源。

MCP 官方把它定义为连接 AI 应用和外部系统的开放标准。它不是某个具体工具,而是一套通信和能力暴露规范。

比如在客户端配置一个天气 MCP Server。配置好之后,支持 MCP 的客户端就可以启动它、连接它,并读取它暴露出来的工具清单。

MCP Server 配置示例:

{
"mcpServers": {
"weather": {
"command": "node",
"args": [
"./weather-mcp-server.js"
]
}
}
}

向 MCP Server 请求工具列表:

{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/list",
"params": {
}
}

调用 MCP Server 暴露的工具:

{
"jsonrpc": "2.0",
"id": 2,
"method": "tools/call",
"params": {
"name": "get_weather",
"arguments": {
"city": "Shanghai"
}
}
}

注意这个区别:MCP 不是替模型执行思考,也不是替代 Function Calling。它是把工具接入标准化,让工具可以被发现、被连接、被复用。

  1. 两者怎么配合:MCP 接工具,Function Calling 触发工具
    =======================================

一个实际系统可以这样跑:MCP Client 先从 MCP Server 拿到工具清单;AI 应用把这些工具整理成模型能理解的工具描述;模型通过 Function Calling 选择工具;应用侧再把调用转成 MCP 的 tools/call 请求。

下面是一个简化版伪代码。它表达的是:模型产生 Function Calling 结果之后,应用侧再去调用 MCP Client。

应用侧把 Function Calling 转成 MCP 工具调用:

import json
if tool_call.name == "get_weather":
args = json.loads(tool_call.arguments)
result = mcp_client.call_tool(
name="get_weather",
arguments={
"city": args["city"]
}
)
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(result, ensure_ascii=False)
})
  1. 什么时候只用 Function Calling,什么时候上 MCP?
    =====================================

选择时不要看名字新不新,而要看工具规模和复用需求。工具少、应用单一,用 Function Calling 更直接;工具多、多个应用都要用,就适合 MCP。

  1. 实际落地可以这样做
    ============

比较稳妥的做法是先轻后重:少量工具先用 Function Calling 跑通业务闭环;当某些工具被多个项目重复使用时,再抽成 MCP Server。

**•**第一阶段:业务里只有少量工具,先用 Function Calling 定义 schema,快速上线。

**•**第二阶段:工具被多个 Agent 复用,把它们封装成 MCP Server。

**•**第三阶段:统一做工具权限、参数校验、审计日志、限流和异常处理。

**•**第四阶段:把常用工具沉淀成内部工具市场,让不同 AI 应用按需连接。

  1. 生产环境必须管住工具风险
    ===============

无论是 Function Calling 还是 MCP,只要工具能读数据库、写文件、发消息、创建工单,就不能只关注“能不能调通”。工具调用本质上是系统执行能力,必须有边界。

至少要做五件事:工具白名单、参数校验、用户确认、权限隔离、审计日志。尤其是有副作用的动作,比如删除文件、发邮件、创建工单、转账支付,一定不能让模型绕过确认流程。

  1. 一句话讲清楚
    =========

MCP 和 Function Calling 不是替代关系。Function Calling 解决的是一次工具调用的结构化表达;MCP 解决的是工具接入、发现、复用和治理。小项目、少量工具,用 Function Calling 就够;多项目、多工具、多客户端复用,就应该考虑 MCP。

真正落地时,MCP 往往在工具管理层,Function Calling 在模型调用层:MCP 负责把工具接进来,Function Calling 负责让模型触发这一次调用。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

T113-S3-RTL8211网口phy芯片调试 在嵌入式系统开发中,网络连接是至关重要的一部分。T113-S3开发板搭载了RTL8211系列的网口PHY芯片,用于实现以太网连接。在开发过程中,对于网口的稳定性和性能的调试至关重要。本篇博客将介绍如何调试T113-S3开发板中的RTL8211网口PHY芯片,以确保网络连接的正常工作。 阅读详情

相关推荐

车载LIN总线避坑指南:主从节点通信失败的5个常见原因及解决方案

本文深度解析车载LIN总线主从节点通信失败的五大常见原因,涵盖物理层信号异常、调度表冲突、LDF配置错误、节点状态机缺陷及环境干扰。重点剖析了LDF文件配置不一致、波特率不匹配等关键问题,并提供了从示波器波形分析到软件配置检查的完整实战排查路径,帮助工程师高效定位并解决LIN通信故障。

g9h0i1的博客 1252

MCP和Function Calling的区别

最通俗易懂的讲解MCP和Function Calling的区别

逐梦苍穹的博客 3340

机器学习预测土壤养分:从电导率、pH到随机森林与神经网络的农业实践

在智慧农业与精准农业领域,机器学习已成为处理复杂农业数据、挖掘潜在规律的关键技术。其核心原理在于通过算法从多维数据中自动学习特征与目标变量之间的映射关系,尤其擅长捕捉非线性关联。这项技术的核心价值在于能够将传统上依赖昂贵、耗时实验室分析的问题(如土壤养分检测),转化为基于易获取传感器数据(如电导率、pH值)的快速、低成本预测任务,为农业生产的实时决策与资源优化提供了全新可能。其典型应用场景包括作物生长监测、产量预测以及精准施肥管理等。本文聚焦于利用随机森林和神经网络等回归算法,构建通过土壤物理参数预测氮磷钾

weixin_33693070的博客 670

MCP和Function Calling的区别是什么?

(本文可能简称为函数调用),是部分大模型中内置的意图识别能力,能通过大模型分析用户输入的自然语言,识别关联到传入的工具列表的意图中去。请注意,大模型本身自己是不会直接去调用这些函数的。大模型会根据函数调用的意图,生成一个函数调用的指令,然后让模型的调用方去执行。我们通过天气查询示例来演示大模型如何调用函数。好像并没有什么问题是吧。可是,随着工具越来越多,我们需要在客户端上写各种各样工具的调用和声明代码,工具越来越庞大不说,而且也更难维护了。今天用了两个对比图和简单的文字来总结了一下和MCP。

weixin_51702416的博客 1145

【MUJOCO控制篇-2】控制一个简单的机械臂

本篇博客将逐步分析和解释如何通过Python代码使用MuJoCo库来控制一个机械臂模型。我们将从加载模型开始,逐步深入到PID控制器的实现,最后讨论如何实现轨迹跟踪功能。上期内容为如何建模一个简单的机械臂模型,本篇文章将基于上篇内容进行深入探讨如何实现一个简单的控制。

echo_Fangyb的博客 6750

从0死磕全栈之使用 VS Code 调试 Next.js 应用完整指南

调试目标推荐方式客户端组件VS Code + Chrome 调试器(pwa-chrome中间件(Middleware)同服务端方式静态生成(SSG)逻辑需在next build时调试,建议改用dynamic路由临时测试通过合理配置 VS Code 调试器,你可以像调试普通 Node.js 或前端项目一样,高效排查 Next.js 应用中的各类问题。🐞。

weixin_44058951的博客 1164

Function Calling 和 MCP的区别

Function Calling 和 MCP的区别

core815的专栏 1860

手把手教你用STM32单片机DIY一个简易PLC(附完整电路图与PCB文件)

本文详细介绍了如何利用STM32单片机DIY一个简易PLC控制器,涵盖硬件设计、电路图解析、PCB布局优化及固件框架实现。通过完整的电路图和PCB文件,帮助读者从元器件选型到工业级优化,逐步构建可靠的PLC系统,特别适合工业自动化爱好者和学习者实践。

weixin_42527160的博客 576

【人工智能学习笔记 二】 MCP 和 Function Calling的区别与联系

MCP(Model Context Protocol)与Function Calling(函数调用)是两种不同层面的技术方案,服务于大模型(LLM)与外部资源的交互,但设计理念和应用场景有显著区别。以下是两者的核心差异分析:MCP:开放协议层的基础设施Function Calling:特定模型的增值功能MCP适用场景Function Calling适用场景两者可结合使用:例如,在电商场景中,MCP整合用户订单数据,Function Calling调用库存API生成补货建议。通过这种分层协作,既能实现通用性,

MaoLin Tian's Blog 2838

深入解析STM32驱动AT25DF321A FLASH芯片的SPI通信与数据完整性验证

本文深入解析STM32通过SPI通信驱动AT25DF321A FLASH芯片的全过程,包括硬件连接、驱动函数实现与数据完整性验证。重点介绍SPI配置、读写操作优化及CRC校验方法,确保数据存储的可靠性,为嵌入式存储系统开发提供实用指南。

agile9scrum的博客 1066

Python 爬虫实战:微博自动化运营工具(点赞 / 转发 / 评论 + 反封号策略)

微博作为中国最大的社交媒体平台之一,拥有庞大的用户群体和丰富的数据资源。通过 Python 爬虫技术,我们可以实现微博的自动化运营,包括点赞、转发、评论等功能,同时采取有效的反封号策略,确保账号的安全和稳定运行。

u014481728的博客 1179

Function Calling和MCP使用区别

Connectors 文档 (https://platform.openai.com/docs/guides/tools-remote-mcp)档里就把远程 MCP server 作为 type: "mcp" 的工具来接入 Responses API。- 两者不是互斥关系,很多场景里 MCP 反而是作为一种“工具来源”接给模型的。MCP 是“用一个统一协议把外部工具/数据源接进来,模型再通过这个协议使用它们”。- 现在:模型 -> MCP 协议层 -> MCP server -> 工具。

m0_67640079的博客 697

基于GA-BP遗传算法优化神经网络的多输入多输出数据预测-Python代码实现

多输入多输出的GA-BP神经网络

2301_80449389的博客 2309

AI Agent 常提的MCP、Function Calling 有什么区别与联系?

本文对比分析了AI领域三个关键概念:Function Calling、MCP和AI Agent的区别与联系。Function Calling是让大模型输出结构化指令调用外部工具的协议;MCP是标准化工具接入与调用的协议,支持多步骤任务规划;AI Agent则是整合两者的完整智能系统,具备记忆和自省能力。文章指出,简单任务用Function Calling足够,复杂任务需结合MCP进行多步规划,最终形成完整的Agent解决方案。目前MCP生态尚不完善,可靠性不足,但有望成为未来AI Agent的基础通信协议。

2401_84495872的博客 1072

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

洞察:MCP与Function Calling区别

Function Calling让大模型获得了“使用工具”的手,而MCP则为这只手建立了一个标准化、无限扩展的工具箱和操作手册。

Peter_Changyb的博客 1207

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

MCP与Function Calling:区别、应用场景及如何选择

摘要:本文对比了AI开发中的两种交互方式——模型上下文协议(MCP)和Function Calling。MCP是标准化的通用协议,适合复杂任务和跨系统协作;Function Calling则是轻量级的模型专属功能,适合简单快速集成。文章从定位、架构、场景等维度分析差异,提出选择建议:复杂任务选MCP,单一功能选Function Calling。最后指出未来两者可能互补融合,开发者应根据需求合理选择。(150字)

分享平时的学习心得和笔记 985

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

大模型工具调用:Function Calling与MCP的区别

摘要: Function Calling和MCP是两种不同的外部工具集成方法。Function Calling通过训练模型直接生成结构化JSON函数调用对象,实现自动化工具调用,适用于复杂场景但开发成本较高。MCP则通过上下文提示工程引导模型生成文本指令,由外部系统解析执行,实现简单但依赖提示质量。两者在模型产出、能力要求、交互方式和适用场景上存在显著差异。Function Calling更适合高鲁棒性需求,而MCP更适用于快速原型开发和小规模应用。

weixin_73804504的博客 1439

Function Calling、Tool Calling 与 MCP:一次讲清三者的区别与关系

单看 JSON 的字段结构(都有nameparameters),它们确实几乎一模一样。但区别不在于"JSON 长什么样",而在于这个 JSON 是谁定义的、在哪里定义的、如何被消费的。是大模型的一种推理机制,解决"模型如何表达意图、输出结构化参数"的问题。MCP是一个应用层通信协议,解决"AI 应用如何标准化地连接外部工具和数据"的问题。Tool Calling 是引擎,MCP 是变速箱。短期:理解 Tool Calling 机制是构建 Agent 的基本功。中期。

技术博客 359

Function Calling与MCP的区别

MCP和FC作用在链路的两个环节,并不是一个东西,所以不存在替不替换的问题,而是共存的状态。

shall_zhao的博客 294

一文了解Function Calling、MCP、Agent联系与区别

【AI时代的"打工人"分工图谱】大模型像知识渊博的学霸,但需要三个"帮手"才能真正做事:Function Calling(执行专员)负责单步调用API;MCP(工具管理员)统一管理工具接口标准;Agent(项目经理)具备自主规划决策能力。三者形成层级关系:Agent依赖Function Calling执行具体操作,Function Calling的工具通过MCP标准化管理。这种分工使AI从单纯聊天升级为能完成复杂任务的数字员工,推动智能应用从"响应指令&qu

qq_61219755的博客 1170

Skills 和 Prompt、MCP、Function Calling 有什么区别?

Skills 和 Prompt、MCP、Function Calling 有什么区别?你真的能够讲明白其中核心的明显的区别吗?这样回答直接面试通过!!!

JIGUANGDI 666

MCP、Function Calling 有什么区别?与 AI Agent 有什么关系?

在当今构建 AI 应用的过程中,Function Calling、MCP 以及 AI Agent 是三个密切相关但层级分明的概念。理解它们的区别与联系,对于开发者设计合适的 AI 系统至关重要。我们可以把这三者类比为“调用指令 → 调度系统 → 自主执行者”,分别解决不同层级的问题。

瓦罗兰特顶级C位的博客 1878

大模型的MCP和function calling的使用方式有什么区别

✅ 优点简单、可控易调试非常适合单体应用 / API 网关❌ 局限强耦合函数 schema 写死在 prompt / 请求里无发现能力模型只能用你“提前告诉它的函数”不适合跨进程、跨语言、跨服务。

hello! 789

MCP、Function Calling,到底有什么区别?它们和 AI Agent 有关系吗?

MCP(模型条件化提示)和Function Calling是大模型应用中的两项关键技术。MCP通过嵌入条件约束优化模型输出,适用于文本生成场景;Function Calling则让模型直接调用函数接口,实现系统操作自动化。二者在AI Agent中协同工作:MCP提升"思考"能力,Function Calling增强"执行"能力。实际应用中需注意提示设计、接口定义等挑战,通过调试验证和异常处理确保稳定性。这两项技术共同构成了现代智能体的核心能力框架。

霍格沃兹测试学院的博客 1073

【总结】MCP 与 function calling的区别

摘要: FunctionCalling是AI模型调用外部函数的能力,由模型提供商实现,用于决策和执行特定任务(如查询天气)。MCP(ModelContextProtocol)则是一套通信协议标准,规范AI应用与外部工具的数据交互方式,由开发者实现。两者并非替代关系,而是协作关系:FunctionCalling负责决策调用哪个工具,MCP负责标准化通信流程。前者是“决策层”,后者是“通信层”,共同实现AI与外部服务的高效协同。

xiaoxie_life_study 525
上一篇: Agent记忆系统的主矛盾:从存储问题到上下文调度
下一篇: 基于 LangChain4j + LangGraph4j 构建达人建联智能体
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值