# AI工程 | MCP是怎么跟大模型交互的？大模型入门到精通，收藏这篇就足够了！

关注

原创最新推荐文章于 2026-04-17 09:15:00 发布 557 阅读 AI 写同款· GEO 优化 ›

五个简单好用的本地运行大模型的方法像ChatGPT、Claude.ai和phind这样的聊天机器人非常有用，但可能并不总是希望的问题或敏感数据由外部应用程序处理。在平台上尤其如此，在这些平台上，你的互动可能会被人类审查，并以其他方式用于帮助训练未来的模型。一种解决方案是下载一个大型语言模型（LLM）并在自己的机器上运行它。这样一来，外部公司就永远无法访问的数据。这也是尝试一些新专业模型的一个快速选择，如Meta最近宣布的Code Llama系列模型，这些模型经过了编码调整，以及Seamless M4T，旨在实现文本到语音和语言翻译。阅读详情

导语

书接上文，AI工程 | MCP不是一天冒出来的提到了MCP是Function Call的递进。这种关系好比普通话和方言，在小地方你可以继续说“方言”，也就是说函数个数少的简单场景你用FC就足够了。但在大城市人多流动大的地方用“普通话”交流就更高效，好比需要连接多种MCP Server的场景，用MCP协议才能让MCP Host程序开发和管理更高效。

接下来几篇文章将围绕MCP架构落地时的4个关键问题展开聊聊，本篇着重讲第1点。

MCP是怎么跟大模型交互的？
Client和Server如何通信？
如何开发MCP Server？
如何开发MCP Client？

影响大模型的4个方式：预训练、后训练、精调、Prompt

不知道大家第一次听到MCP技术时有没有这样的疑问：MCP在各种协议调用组装各种工具的一顿操作后，它究竟是怎么和大模型本身交互的？要回答这个问题，我们先回到原点来看，能够影响大模型的方式无外乎4种：预训练、后训练、精调、Prompt（提示词）。

预训练和后训练一般是大模型厂商在发布一个模型前要做的事。像DeepSeek最近开源的V3.1就同时包含了Base模型和后训练模型两个版本。预训练是为了训练模型的基础而通用的能力比如理解和生成文字。后训练针对专业领域能力进行额外训练，比如DS V3.1就特别在工具使用与智能体等任务中额外进行了训练。

精调和提示词一般给大模型的上层用户使用。精调相比后训练更多在于针对的专业领域大小，从而有训练数据量和成本的区别。然而对于大多数应用场景来说使用提示词才是我们的日常。众所周知提示词能很大程度激发和规范大模型的生成能力，提示词水平跟大模型的生成答案质量成正相关，因此业界也专门把提示词当做一个工程领域，俗称PE(Prompt Engineering)。当然技术永远在追求进步，目前这个概念进一步扩大为上下文工程，即CE(Context Engineering)，这是最近非常火的一个领域，前者侧重“单轮提示优化”，后者更关注“多工具调用时的上下文连贯性管理”，后续单独开篇来讲讲。

MCP是怎么跟大模型交互的？

回到MCP怎么和大模型交互这个问题上来，答案是提示词。可以进一步细分为用户提示词和系统提示词两种方式。从调用大模型的API的入参字段来看，messages字段就是我们常说的提示词，也就是用户提示词。tools字段背后就是系统会组装调用工具的提示词，也就是系统提示词。

By 系统提示词：toos字段

前一篇说的为什么MCP和Function Call没有本质区别的原因就是两者都是通过tools字段把工具或函数信息传给大模型，但要需要注意的是，需要看下所调用的大模型是否具备function call能力、是否支持了openai接口规范，所幸的是目前主流的大模型厂商都支持了，潜含的意思是大模型在训练阶段就针对函数调用做过专门训练。

MCP Host程序运行时MCP Client会把MCP Server提供的tools信息塞到这个tools字段里（注：每个大模型能支持的tools个数一般在百级别，最新的DeepSeek V3.1 API里提示最多支持128个）。当你问问题的时候，问题会被塞到messages字段，和tools字段一起传给大模型，大模型厂商内部的程序会系统提示词。相应地大模型返回的消息里面有两个字段，一个是回答内容content，一个是大模型认为该选用哪些工具的tool_calls数组信息。

下面是组装MCP tools并调用大模型的代码示例：（FC同样适用）

// 准备message字段，包含你提的问题
msg := []*model.ChatCompletionMessage{
{
Role: model.ChatMessageRoleUser,
Content: &model.ChatCompletionMessageContent{
StringValue: &qry,
},
},
}
// 准备tools信息
tools := make([]*model.Tool, 0)
for _, v := range functions {
tools = append(tools, &model.Tool{
Type: model.ToolTypeFunction,
Function: &model.FunctionDefinition{
Name:        v.Name,
Description: v.Description,
},
})
}
// 准备调用API的字段
req := model.CreateChatCompletionRequest{
Model:    MODELNAME,
Messages: msg,
Tools:    tools,
Thinking: &model.Thinking{
Type: model.ThinkingTypeAuto,
},
}
// 调用大模型API
resp, err := client.CreateChatCompletion(
ctx,
req,
)

By 用户提示词：messages字段

对于不支持tools的大模型，那就只能靠用户提示词了。虽然提示词可以表达任何你想要的，但大模型能否正确地理解又是另一回事。因此通过这种方法的最大缺点就是理解质量可能不好，稳定性也欠缺些。

通过提示词把mcp的工具信息（也就是名称、参数、示例等）传给大模型可以有多种格式，比如xm、json、markdown，甚至就单纯的文本形式。有一点要注意的是，你需要考虑大模型的输出格式是什么，毕竟后续步骤你要根据输出内容提取调用工具的参数。如何写好这种提示词有一个技巧，可以参考一些开源工具类使用的提示词模板，比如Claude Desktop、Cursor。这就属于传统的如何优化提示词范畴了，模板大同小异，需要结合实际情况打磨优化。

举个例子：

# 任务背景
你需要根据我的问题，判断是否需要调用以下MCP工具来辅助回答。如果需要，请严格按照指定格式生成工具调用指令；如果不需要，直接回答问题即可。
# MCP可用工具列表（请仔细阅读工具信息）
以下是当前可调用的MCP工具详情，包含工具名称、功能说明、必填/可选参数及参数格式要求：
1. 工具名称：【工具1名称，如：get_weather_mcp】
- 功能：【工具1具体作用，如：查询指定城市的实时天气及未来24小时预报】
- 必填参数：
- city：城市名称（格式：中文全称，如“北京市”“上海市”）
- data_type：数据类型（格式：可选“realtime”（实时）/“forecast”（预报），二选一）
- 可选参数：
- unit：温度单位（格式：“celsius”（摄氏度，默认）/“fahrenheit”（华氏度））
- 调用示例：【工具1名称】{"city":"广州市","data_type":"forecast","unit":"celsius"}
2. 工具名称：【工具2名称，如：generate_image_mcp】
- 功能：【工具2具体作用，如：根据文本描述生成高清图片】
- 必填参数：
- prompt：图片描述（格式：中文/英文，至少10字，包含风格、主体、场景，如“赛博朋克风格的未来城市夜景，有飞行汽车和全息广告牌”）
- size：图片尺寸（格式：可选“512x512”/“1024x1024”，二选一）
- 可选参数：
- style：细分风格（格式：如“oil_painting”（油画）/“anime”（动漫），不填则默认写实）
- 调用示例：【工具2名称】{"prompt":"古风山水图，江面有一叶扁舟，远处是雪山","size":"1024x1024","style":"ink_wash"}
【注：根据实际MCP工具数量增减，每个工具必须包含“名称+功能+参数要求+调用示例”，参数需明确“必填/可选”和“格式约束”】
# 工具调用规则
1. 判断逻辑：先分析我的问题是否需要工具辅助（如“查天气”“生成图片”需调用，“解释概念”无需调用）。
2. 格式要求：若调用工具，**仅返回工具调用指令**，无需额外文字；指令必须严格遵循“【工具名称】{“参数名1”:“参数值1”,“参数名2”:“参数值2”}”格式，参数值需符合工具的格式要求。
3. 错误处理：若问题中缺少工具必填参数（如“查天气但没说城市”），请直接反问我获取关键信息（如“请告诉我你要查询哪个城市的天气？”），不生成无效调用指令。
# 我的问题：
【此处填写用户的实际问题，如：“帮我查一下深圳市明天的天气预报，用摄氏度显示”】

通过提示词方法要达到可落地的效果，往往需结合对大模型进行精调。特别是如果涉及特殊的提示词格式以及特殊的输出格式。顺便说一句智能体的规划步骤用到的提示词，你会怎么设计？其往往比组装工具列表有更复杂的诉求，一般都要精调才能达到可接受的理解效果。

简单对比下两种方式，优先使用tools方式，组装方式更简单更规范，理解效果更有保障。messages方式作为不支持tools情况下的补充。messages方式不受限于大模型是否支持tools，上层组装灵活，但同时会带来更长的上下文，降低大模型的理解效果和调用成本，解析大模型的输出内容时也会带来不确定性。

结语

从大模型角度来看，MCP并非新东西，是Function Call既有技术的改造和升华。它们的区别更多在上述MCP架构图的另外三个方面，详情请听下回分解。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇