【翻译、转载】【转载】LLM 的函数调用与 MCP

来源：

https://www.dailydoseofds.com/p/function-calling-mcp-for-llms/

【代码以图像显示的是原文内容，以代码形式显示的是大模型给出的参考】

---

LLM 的函数调用与 MCP

在 MCP 变得像现在这样主流（或流行）之前，大多数 AI 工作流依赖于传统的函数调用 (Function Calling)。

现在，MCP（模型上下文协议）正在引入一种转变，改变开发者为智能体（Agent）构建工具访问和编排的方式。

以下是一个解释函数调用和 MCP 的图示：

让我们深入了解更多！

什么是函数调用？

函数调用是一种机制，允许 LLM 根据用户输入识别它需要什么工具以及何时调用它。

它通常的工作方式如下：

1. LLM 接收来自用户的提示。
2. LLM 决定它需要的工具。
3. 程序员实现程序来接受来自 LLM 的工具调用请求，并准备一个函数调用。
4. 函数调用（带有参数）被传递给将处理实际执行的后端服务。

让我们快速看看实际操作！

首先，我们定义一个工具函数 get_stock_price。它使用 yfinance 库来获取指定股票代码的最新收盘价：

【参考】

# (示例 Python 代码，定义 get_stock_price 函数)
import yfinance as yf

def get_stock_price(ticker_symbol):
  """获取给定股票代码的最新收盘价"""
  stock = yf.Ticker(ticker_symbol)
  # 获取历史市场数据，这里只取最近一天的数据来获取最新收盘价
  hist = stock.history(period="1d")
  if not hist.empty:
    return str(hist['Close'].iloc[0])
  else:
    return "无法获取股价信息。"

接下来，我们向一个 LLM（通过 Ollama 提供服务）发出提示，并传递模型可以用来获取外部信息（如果需要）的工具：

【参考】

# (示例 Python 代码，向 LLM 发出带工具的提示)
from ollama import Client

client = Client() # 假设 Ollama 服务正在本地运行

response = client.chat(model='llama3'