對(duì)于使用大模型（LLMs）的人來說，可能更熟悉的是MCP多一些，而對(duì)于Function calling其實(shí)更偏于技術(shù)層面的東西，但是從應(yīng)用場(chǎng)景上二者還是有些相似之處。

或者簡(jiǎn)單來說，在沒有MCP協(xié)議之前，想要通過構(gòu)建一個(gè)AI應(yīng)用需要依賴的就是Function calling，簡(jiǎn)單來說它就是函數(shù)調(diào)用，這個(gè)函數(shù)可以是你所期望讀取信息的任何接口，比如要調(diào)用微信公眾號(hào)的開放接口，就可以定一個(gè)Function calling來通過http來調(diào)用。

Functioncalling的核心能力，正如OpenAI官網(wǎng)介紹：為模型提供新的功能和數(shù)據(jù)，使它們能夠遵循指令并響應(yīng)提示，使其能夠與外部系統(tǒng)交互并訪問訓(xùn)練數(shù)據(jù)之外的實(shí)時(shí)數(shù)據(jù)。這里的核心是外部交互和實(shí)時(shí)數(shù)據(jù)

Function Calling 一般的過程如下：

將用戶的自然語言輸入與已有函數(shù)的描述作為輸入?yún)?shù)傳給 LLM；

• LLM 結(jié)合輸入?yún)?shù)，決定調(diào)用哪些函數(shù)，并指明必要參數(shù)（如函數(shù)的入?yún)ⅲ?，進(jìn)行格式化（如 JSON、XML 格式）的輸出；
• 用戶端接收到 LLM 格式化的函數(shù)調(diào)用后，對(duì)本地的函數(shù)進(jìn)行調(diào)用，得到結(jié)果；
• 將得到的函數(shù)結(jié)果傳給 LLM，使得 LLM 有了所需的上下文信息。

對(duì)于大模型來說，它的內(nèi)容都是經(jīng)過預(yù)訓(xùn)練得到的，所謂預(yù)訓(xùn)練就是獲取網(wǎng)絡(luò)數(shù)據(jù)，然后將數(shù)據(jù)歸納清楚之后，給到大模型能夠識(shí)別的數(shù)據(jù)結(jié)構(gòu)，再結(jié)合算法、算力來訓(xùn)練模型的能力，簡(jiǎn)單來說就是讀書、學(xué)習(xí)、思考的過程。

但是它有一個(gè)問題，就是只能知道自己過往學(xué)習(xí)到的東西，對(duì)于即時(shí)性的內(nèi)容，它感知不到的，例如對(duì)于chatGPT-5來說，它的訓(xùn)練數(shù)據(jù)的采集截止日期是：2024年6月。

也就是說，2024年6月之后的數(shù)據(jù)原則上它都不知道。

但是現(xiàn)在它通過封裝了API能力結(jié)合網(wǎng)絡(luò)搜索（爬蟲），就可以組合出一個(gè)智能實(shí)時(shí)檢索+問答能力，它就可以不再依托于模型本身訓(xùn)練數(shù)據(jù)，而是具備對(duì)外實(shí)施擴(kuò)展數(shù)據(jù)能力，類似在搜索引擎上面加一個(gè)智能體。

Function calling 調(diào)用流程

Function calling是通過 OpenAI API 在應(yīng)用程序和模型之間進(jìn)行的多步驟對(duì)話，調(diào)用流程包括五個(gè)步驟：

1. 向模型發(fā)起請(qǐng)求，它可能調(diào)用的工具
2. 從模型接收工具調(diào)用
3. 使用工具調(diào)用的輸入在應(yīng)用端執(zhí)行代碼
4. 使用工具輸出向模型發(fā)起第二次請(qǐng)求
5. 從模型接收最終響應(yīng)（或更多工具調(diào)用）

Function calling實(shí)際上就是結(jié)合LLM本身的能力，其實(shí)我覺得Function calling是一個(gè)復(fù)雜的技術(shù)工程，從單一的場(chǎng)景到復(fù)雜的場(chǎng)景，所要維護(hù)的API服務(wù)的數(shù)量就會(huì)非常龐大。

而在說到MCP（Model Context Protocol），MCP相對(duì)于function calling來說，可以說是一個(gè)一站式的能力，當(dāng)然它也有一定的問題。

MCP 的核心理念：分而治之！MCP 通過將工具與其使用者（AI）分離來解決這個(gè)問題：

MCP Server 是實(shí)際接口服務(wù)的地址，例如天氣預(yù)報(bào)或郵件管理、內(nèi)部系統(tǒng)地址鏈接等等都放在這里，它完全獨(dú)立于 AI 運(yùn)行，可以用任何編程語言編寫。

MCP 客戶端 作為連接器（通常是 AI Agent的一部分）。它負(fù)責(zé)查找可用的工具，幫助 AI 正確格式化請(qǐng)求，并處理與服務(wù)器之間的通信。

MCP 的核心作用

• MCP補(bǔ)充了人工智能應(yīng)用中，和內(nèi)部系統(tǒng)對(duì)接的短板。
• 通過插件式的方式提升了AI應(yīng)用的內(nèi)部靈活性，每個(gè)插件都可以靈活調(diào)用、獨(dú)立維護(hù)。
• 幾乎所有的數(shù)據(jù)庫、開源系統(tǒng)都可以構(gòu)建一個(gè)獨(dú)立的MCP出來，擴(kuò)大在AI應(yīng)用的使用場(chǎng)景。

什么時(shí)候應(yīng)該用 MCP 而不是 Function calling？

• 如果你只是調(diào)用一個(gè)簡(jiǎn)單的 API（比如獲取天氣或股票價(jià)格），函數(shù)調(diào)用就足夠了。
• 如果你需要 AI 與多個(gè)工具交互、跟蹤上下文或在不進(jìn)行持續(xù)請(qǐng)求的情況下獲取實(shí)時(shí)更新，MCP 就是一個(gè)確定性的解決方案。

例如，想象你正在構(gòu)建一個(gè) AI 編程助手：

• 使用函數(shù)調(diào)用，AI 可以獲取函數(shù)定義，但如果后來你要調(diào)試某些內(nèi)容，你必須手動(dòng)調(diào)用另一個(gè)函數(shù)來獲取日志、依賴項(xiàng)等。
• 使用 MCP，當(dāng) AI 詢問某個(gè)函數(shù)時(shí)，IDE 可以自動(dòng)發(fā)送調(diào)試信息，這使得它變得非常智能。

Function calling與 MCP：一種互補(bǔ)關(guān)系

雖然Function calling和 MCP 都是將 LLM 與企業(yè)系統(tǒng)集成的重要組成部分，但它們解決的是不同的挑戰(zhàn)：

? Function calling專注于將提示轉(zhuǎn)換為可操作的指令，它是 LLM 驅(qū)動(dòng)的，并且在不同的服務(wù)接口之間存在差異，目前還沒有通用的標(biāo)準(zhǔn)。

? MCP 標(biāo)準(zhǔn)化了這些指令的執(zhí)行，實(shí)現(xiàn)了跨數(shù)千種工具的可擴(kuò)展性和互操作性。

二者都共同確保 LLMs 不僅能解釋自然語言提示，還能通過利用企業(yè)工具提供有正確的結(jié)果，而隨著 MCP 的不斷發(fā)展，它將重新定義 LLMs 與企業(yè)工具的交互方式，使集成更具可擴(kuò)展性、靈活性和效率。

所以，MCP 和Function calling本質(zhì)來說二者并不沖突，它們是同一工作流程的兩個(gè)方面。

本文轉(zhuǎn)載自??DataForAI??，作者：王笠