我终于搞懂了Function Calling和MCP的区别

一、Function Calling

1. 核心定义与作用

Function Calling：大模型调用预设函数与外部系统交互的能力，是大模型连通现实世界的桥梁。

扩展模型能力
- 获取实时数据：天气、股价、新闻等
- 执行复杂运算：数学计算、代码运行
- 操控外部系统：发送邮件、智能设备控制
结构化输出：将自然语言解析为标准化函数参数，完成指令传递。
动态决策：模型自主判断调用时机，支持多函数链式调用。

2. 典型落地案例：门票助手

基于 Qwen-Agent 实现数据查询助手，核心流程与实现如下：

（1）整体搭建流程

系统初始化：配置系统提示词（数据表结构、查询规则），注册 SQL 查询工具。
助手实例化：加载大模型配置、提示词、工具列表，初始化智能助手。
交互部署：支持终端、WebUI 两种交互模式。
调用逻辑：用户输入自然语言 → 模型生成 SQL → 调用工具执行查询 → 返回结果。

（2）核心实现要点

数据表：tkt_orders，核心字段包含order_time（订单日期）、province（省份）、sales_channel（销售渠道）、order_value（订单金额）、quantity（商品数量）等。
自定义工具：继承基础工具类，实现exc_sql工具，接收并执行 SQL 语句，返回查询结果，同时捕获执行异常。
数据可视化集成
- 整合查询与绘图能力，单次调用完成数据查询 + 图表生成。
- 自动推断坐标轴：文本类型字段为 X 轴，数值类型字段为 Y 轴。
- 支持并列柱状图，自动调整样式、保存图片并以 Markdown 格式返回表格 + 图表。
数据问题优化：针对周统计范围偏差问题，精准限定时间区间；通过数据透视表实现多维度（日期 + 渠道）可视化展示。

3. 适用场景

优先用于简单、原子化单次任务：天气查询、数学计算、单条消息推送等。

优势：无需额外服务配置，开发快捷；单次请求响应，延迟更低。

二、MCP（Model Context Protocol）

1. 核心定义

MCP：由 Anthropic 推出的开放通用协议，标准化 LLM 与外部数据源、工具、服务的交互方式，类比为 AI 领域的通用接口标准。

2. 核心架构与组件

采用 ** 客户端 - 服务器（Client-Server ** 架构：

MCP Host：运行大模型的环境，如 Cursor、Claude Desktop、Cherry Studio。
MCP Client：内嵌于 Host，负责发起请求、与服务端通信。
MCP Server：轻量服务，封装具体功能，供大模型远程调用。

3. 三大核心能力

Resources：提供结构化数据、文档等内容，扩充模型上下文信息。
Tools：提供外部操作能力，如接口调用、文件处理、网络检索。
Prompts：预定义提示模板，优化任务执行效果。

4. 主流应用案例

（1）高德地图 MCP（旅游攻略）

前置准备：高德开放平台注册应用，获取 API Key。
客户端配置（Cursor / Cherry Studio / GitHub Copilot）：编写mcp.json，配置 MCP 服务命令、环境变量（填入 API Key）。
可用工具：景点检索、天气查询、经纬度转换、步行 / 驾车 / 公交路线规划、地址解析等。
功能落地：基于地图接口，自动获取景点、天气、路线信息，生成旅游行程，并可结合前端代码输出可打印的行程网页。

（2）Tavily 搜索 MCP（网络检索）

服务配置：填入 Tavily API Key，部署 MCP 检索服务。
核心工具
- tavily-search：全网关键词检索，支持限定结果数量、检索深度、时间范围、域名黑白名单。
- tavily-extract：抓取指定网页，提取正文内容，支持不同解析深度与输出格式。
落地场景：实时新闻检索、行业资讯查询、网页内容解析，可对接 Qwen-Agent 等 Agent 框架使用。

（3）桌面 TXT 统计器（MCP SDK 开发）

基于 Python MCP SDK / FastMCP 自定义本地 MCP 服务：

环境依赖：安装mcp库，搭配 UV 工具管理服务运行。
工具开发：通过@mcp.tool()装饰器注册函数，实现文件统计、文件列表查询功能。
服务调试：使用 MCP Inspector 可视化工具，本地连接、调用接口、查看执行日志。
核心功能：统计桌面 TXT 文件数量、展示桌面 TXT 文件名称列表。

三、Function Calling 与 MCP 对比

对比维度	Function Calling	MCP
本质属性	模型厂商私有功能接口	跨平台开放标准协议
扩展性	需针对不同模型单独适配	一次开发，全模型兼容
复杂度适配	适合简单单次调用	支持多轮对话、复杂上下文管理
生态依赖	绑定特定大模型	跨模型、跨平台运行
数据安全	依赖云端 API 密钥	支持本地数据管控
复用性	低，函数多为定制化开发	高，标准化服务可多场景复用
开发成本	简单任务开发成本低	复杂场景整体成本更低

四、技术选型总结

Function Calling：作为大模型底层基础能力长期存在，简单、低延迟、快速上线的原子任务优先选择。
MCP：面向复杂场景、跨模型 / 跨平台、多工具联动的业务，是主流发展方向，适合标准化工具生态搭建。
组合使用：简单任务用 Function Calling 提效，复杂多工具、跨环境场景基于 MCP 构建统一服务。