AI黑话：Agent、MCP、Function Calling，一文理清大模型开发中的核心概念与关系

最近这一段时间，各种跟 AI 相关的词儿就像洪水一样涌进我的屏幕。Agent、MCP、Function Calling……这些到底是什么鬼？

有人说 Agent 是一个智能实体。得，那智能实体又是什么？
有人说 MCP 是 AI 时代的 USB 协议。噢？那它是不是也能接个 U 盘啥的？
这些概念听起来既熟悉又陌生，让人一头雾水，它们到底有什么真实的意义？

今天这篇文章，我就打算用最简单的大白话，把 Agent、MCP、Prompt、Function Calling 这些核心概念连接起来，带你一起理清它们之间的关系。

话不多说，我们现在就开始。

还记得 2023 年，当 OpenAI 刚放出 GPT 的时候，AI 在大家眼里好像就只是一个聊天框。我们通过这个聊天框给 AI 模型发送一条消息，AI 模型就生成一个回复。

我们发出去的这条消息，就是我们常说的 User Prompt，用户提示词。它通常就是我们想问的问题或者想说的话。

但你仔细想想，在现实生活中，我们和不同的人聊天时，即使说的是一模一样的话，对方也会基于自己的经验给出不同的回答。

比如说，我说“我肚子疼”，我妈可能会问我是不是需要去医院；我爸可能让我赶紧去趟厕所；而我女朋友嘛，可能就直接蹦出来一句：“滚！我也肚子疼！”

但 AI 原本没有这样的人物性格（persona），所以它只能给出一种泛泛的、安全的、标准的回答，听起来就特别没劲。

于是，我们就想给 AI 也赋予一个“人设”。最直接的办法，就是把“人设”信息和用户的消息一起，打包成一个完整的 User Prompt 发送过去。

比如说，我们可以这样写：“请扮演我的女朋友，我现在对你说：‘我肚子疼’。”

这时候 AI 可能就会回复：“滚！我也肚子疼！” 嗯，好像是那个味儿了。

但问题是，“扮演我温柔的女朋友”这句话，并不是我们真正想说的内容。总感觉怪怪的，不够自然。

所以，后来人们决定把“人设”信息从用户真正要说的消息中分离开来，放到另一个独立的提示词里。这个，就是 System Prompt，系统提示词。

System Prompt 主要负责描述 AI 的角色、性格、背景信息、说话语气等等。基本上，所有不是由用户直接说出来的，但又希望能影响 AI 回复的内容，都可以放进 System Prompt 里。每当用户发送 User Prompt 时，系统会自动把对应的 System Prompt 也一起发送给 AI 模型。这会让整个对话流程感觉更加自然。

在网页版的聊天机器人里，System Prompt 通常是由系统预设的，用户没那么容易直接改动。不过，网站通常会提供一些设置项。例如，ChatGPT 有一个叫做“定制 ChatGPT”的功能，用户可以在里面写下自己的偏好，这些偏好就会自动成为 System Prompt 的一部分。

然而，即便有了完美的人设，AI 归根结底还是个聊天框。你问它一个问题，最多给你一个答案，或者告诉你怎么做某件事。但具体去执行任务，还是得你自己来。

那能不能让 AI 自己去完成任务呢？

最早期的尝试，是一个叫做 AutoGPT 的开源项目。它是一个跑在本地的小程序。如果你想让 AutoGPT 帮你管理电脑里的文件，首先需要写一些文件管理的功能，比如 list_files 用于列出目录、read_file 用于读取文件等等。

然后把这些功能，包括它们的用途说明、使用方法，注册进 AutoGPT。

AutoGPT 会根据这些信息，生成一段 System Prompt，告诉 AI 模型用户提供了哪些工具（tools）、它们有什么用，以及如果 AI 想使用它们，应该返回什么格式的内容。

最后，它把这个 System Prompt，连同用户的请求（比如“帮我找到《原神》的安装目录”），一起发给 AI 模型。

如果 AI 模型足够聪明，它就会按照 System Prompt 要求返回一个特定格式的消息，表明它希望调用哪个功能。

AutoGPT 在收到 AI 返回的消息后，解析出来，就知道应该调用哪个对应的函数了。然后，它把这个函数的执行结果再发回给 AI。AI 根据这个结果，再决定下一步应该做什么。这个过程不断重复，直到任务完成。

像 AutoGPT 这种负责在 AI 模型、工具和最终用户之间进行信息传递的程序，我们就称它为 AI Agent，AI 代理。而那些提供给 AI 调用、可以执行特定功能的函数或服务，就叫做 Agent Tools，AI 工具。

不过，这种架构有个小问题。尽管我们在 System Prompt 里明确规定了 AI 应该返回的格式，但 AI 模型说到底是一个概率模型，它还是有可能返回不符合格式的内容。为了处理这些“不听话”的情况，很多 AI Agent 会在检测到 AI 返回格式错误时，自动进行重试。第一次失败了，再试第二次。

现在市场上不少知名的 Agent，比如 llm-compiler (之前叫 Cline)，其实还在用这种方式。但这来回的重试，总让人觉得有点不靠谱。

于是，主流的模型服务提供商们出手了。ChatGPT、Claude、Gemini 等等，相继推出了一个新的功能，叫做 Function Calling，函数调用。

这个功能的核心思想是：统一格式、规范描述。

回到找《原神》目录的例子，之前我们用 System Prompt 来告诉 AI 有什么工具、返回什么格式。但这些描述是用自然语言随便写的，只要 AI 能理解就行。

Function Calling 把这些描述标准化了。比如，每个 Tool 都用一个 JSON 对象来定义，说明工具的名称（name 字段）、功能的描述（description 字段）、需要的参数（parameters 字段）等等。

然后，这些描述工具的 JSON 对象，也被从 System Prompt 中分离开来，放到了一个独立的字段里。

最后，Function Calling 还强制规定了 AI 在需要使用工具时应该返回的固定格式。所以，System Prompt 里关于返回格式的定义也可以去掉了。

这样一来：

• 所有工具的描述都集中在一个地方；
• 所有工具的描述都遵循同样的格式；
• AI 在使用工具时，返回的响应也遵循同样的格式。

这样，开发者就可以更有针对性地训练 AI 模型去理解这种调用场景。在这种情况下，即使 AI 还是生成了不正确的响应，因为响应格式是固定的，AI 服务端自己就能检测到，并执行重试。这个过程用户甚至完全感觉不到。

得益于这些优点，现在越来越多的 AI Agent 开始从完全依赖 System Prompt 转为使用 Function Calling。

但 Function Calling 也有它自己的问题：目前还没有一个统一的标准。各家大公司的 API 定义都不一样，而且很多开源模型还没支持 Function Calling。所以，想要写一个真正跨模型兼容的 AI Agent，其实挺麻烦的。

因此，System Prompt 和 Function Calling 这两种方法，目前在市场上是并行存在的。

我们刚才讨论的所有内容，都是关于 AI Agent 和 AI 模型之间的通信。接下来，我们把目光转向另一边：AI Agent 怎么和 Agent Tool 通信呢？

最简单的方式，就是把 AI Agent 和 Agent Tool 写在同一个程序里。Agent 需要用哪个 Tool，直接函数调用就行了，一步到位。现在市面上大部分的 Agent 都是这样工作的。

但后来大家慢慢意识到，有些 Tool 功能其实很常见。比如，一个网页浏览 Tool，可能会被很多不同的 Agent 都需要。总不能在每个 Agent 里都复制一遍同样的代码吧？这太麻烦，也不优雅。

于是，大家就想了个办法：把 Tools 变成服务，集中部署，让所有的 Agent 去调用它们。

这个，就是 MCP。

MCP 是一套专门设计的通信协议，它用于规范 Agent 和 Tool 服务之间的交互方式。运行着 Tool 服务的实体叫做 MCP Server，调用这些服务的 Agent 叫做 MCP Client。

MCP 定义了 MCP Server 和 MCP Client 之间如何交流，以及 MCP Server 必须提供哪些接口。比如，查询 MCP Server 里有哪些 Tool、Tool 的功能是什么、描述、需要哪些参数、什么格式等等。

除了我们理解中需要函数调用的那种普通 Tool，MCP Server 还可以直接提供数据，类似于文件读写服务，这在 MCP 里叫做 Resource（资源）；或者给 Agent 提供预设的提示词模板，这叫做 Prompt（提示词）。

MCP Server 可以运行在和 Agent 同一台机器上，通过标准输入/输出（stdin/stdout）进行通信；也可以部署在网络上，通过 HTTP 等协议进行通信。

这里要特别强调一下，尽管 MCP 是为了 AI 的场景而定制的标准，但 MCP 本身跟 AI 模型其实没有关系。它并不关心 Agent 使用的是哪个模型。MCP 只负责帮 Agent 管理 Tool、Resource 和 Prompt 这些东西。

最后，我们来把整个流程梳理一遍。

假设我听说我女朋友肚子疼了。于是，我问我的 AI Agent（或者说是 MCP Client）：“我女朋友肚子疼怎么办？”

Agent 把我的问题包装成一个 User Prompt。

接着，Agent 利用 MCP 协议，从 MCP Server 里查询到所有可用的 Tool 的信息。

AI Agent 会把这些 Tool 信息转换成 System Prompt 或者 Function Calling 的格式。然后，将这些内容和用户的请求（User Prompt）打包，一起发送给 AI 模型。

AI 模型注意到有一个叫做 web_browse 的网页浏览 Tool。于是，通过普通回复或 Function Calling 的格式，它生成了一个调用这个 Tool 的请求，希望能去网上搜索一下解决方案。

Agent 收到这个请求后，利用 MCP 协议，去调用 MCP Server 里的 web_browse Tool。

web_browse Tool 在访问指定网页后，把内容返回给 Agent。

Agent 再把这个结果转交给 AI 模型。

AI 模型根据网页内容和自己的“思考”，生成最终的答案：“多喝热水”。

最后，Agent 把这个结果显示给用户。至于后来我女朋友有没有夸我体贴……这部分咱们就按下不表了。

总之，System Prompt、User Prompt、AI Agent、Agent Tool、Function Calling、MCP 以及最底层的 AI 模型，它们就是这样互相连接又各司其职的。它们不是互相取代的关系，而是像齿轮一样，共同构成了 AI 自动化协作的完整体系。

很多人说 AI 的进步让人焦虑，人类最终会不会被 AI 取代？未来的情况到底会怎么样？我不知道。但经常在我心里涌起的，与其说是恐惧，不如说是一种微妙的兴奋。因为我们每个人都那么渺小，活在时代的缝隙里，大多数时候，只能无力地看着洪流奔涌而过。在我们过去经历的每一次重大的技术变革中，普通人往往都只是被推着往前走。也许改变了工作生活的方式，但他们始终是变革的参与者。

零基础如何高效学习大模型？

你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

抓住机遇，开启你的AI学习之旅！