在现代 LLM 工具生态里，`function call` 提供了模型“触手可及”的即时工具，而 `MCP`（Model Context Protocol）则把大量分散的工具与数据源整合成一张可寻址的网络。前者专注于让模型正确地产生“调用意图”，后者专注于把这些意图可靠地路由到正确的服务端点。当两者结合，开发者能够用极小的提示成本为 GPT-4o 或 Claude-3 等模型接入数百个外部能力，并在权限、缓存、并发、版本管理等维度获得工程级别的治理能力。([platform.openai.com](https://platform.openai.com/docs/guides/function-calling?utm_source=chatgpt.com "Function calling - OpenAI API"), [github.com](https://github.com/modelcontextprotocol?utm_source=chatgpt.com "Model Context Protocol - GitHub"))

## 背景：`function call` 机制的定位

`function call` 由 OpenAI 在 2023 年夏天首先提出，它让模型输出一段结构化 JSON，以声明需要哪个工具、哪些参数。模型本身不会直接执行业务逻辑；真正的 I/O 或状态修改由“外层编排器”按 JSON 描述执行。([platform.openai.com](https://platform.openai.com/docs/guides/function-calling?utm_source=chatgpt.com "Function calling - OpenAI API"), [help.openai.com](https://help.openai.com/en/articles/8555517-function-calling-in-the-openai-api?utm_source=chatgpt.com "Function Calling in the OpenAI API"))
这种设计有三个直接好处：

*   避免让模型暴露密钥或执行危险指令。

*   让工具 Schema 用 JSON-Schema 描述，可静态检查。

*   保留“对话”连续性——模型看到工具返回值后可继续推理。

然而 `function call` 本质是**单次**、“模型→调用者”单向的接口规范。它并没有定义工具如何远程部署、如何被发现、如何分布式复用，也没有事务、权限、版本等企业级需求的解决方案。([medium.com](https://medium.com/%40genai.works/%EF%B8%8F-function-calling-vs-mcp-what-smart-ai-teams-need-to-know-7c319267b6db?utm_source=chatgpt.com "Function Calling vs. MCP: What Smart AI Teams Need To Know"))

## MCP：面向工具网络的开放协议

Anthropic 在 2024 年底正式开源 `MCP`，声明目标是“为 AI 工具提供像 `HTTP` 一样通用的互操作层”。协议拆分为三块：工具注册（tools endpoint）、上下文流（context endpoints，包括 SSE 和 Streaming JSON）、传输抽象（支持 HTTP、WebSocket、stdio 等）。([anthropic.com](https://www.anthropic.com/news/model-context-protocol?utm_source=chatgpt.com "Introducing the Model Context Protocol - Anthropic"), [modelcontextprotocol.io](https://modelcontextprotocol.io/specification/2025-03-26?utm_source=chatgpt.com "Specification - Model Context Protocol"))
几个核心设计值得注意：

*   **服务发现**：每个 MCP 服务器都公开 `/tools` 路径，返回其拥有的全部工具元数据，客户端可按类型、标签、版本过滤。

*   **传输层松耦合**：标准文档直接把 stdio 作为“零依赖传输”，适合把老 CLI 工具瞬间升级为 AI 可调用的 Tool。([github.com](https://github.com/punkpeye/mcp-proxy?utm_source=chatgpt.com "A TypeScript SSE proxy for MCP servers that use stdio transport."))

*   **多路复用**：官方 `proxy` 组件允许把若干 MCP 服务器聚合成单一入口，并提供权限隔离、缓存与负载均衡。([github.com](https://github.com/VeriTeknik/pluggedin-mcp-proxy?utm_source=chatgpt.com "VeriTeknik/pluggedin-mcp-proxy: Plugged.in MCP Server ... - GitHub"))

社区也快速出现了周边生态：LangChain 发布 `mcp-adapters`，可把任意 MCP tool 当成 LangGraph/AgentGraph 的 `ToolNode`；Cursor 与 VSCode 插件把 IDE 指令透过 MCP 送入 Claude。([changelog.langchain.com](https://changelog.langchain.com/announcements/mcp-adapters-for-langchain-and-langgraph?utm_source=chatgpt.com "MCP Adapters for LangChain and LangGraph"), [github.com](https://github.com/modelcontextprotocol/inspector?utm_source=chatgpt.com "modelcontextprotocol/inspector: Visual testing tool for MCP servers"))

## 二者的互补关系

*   `function call` 关注**意图表达**：模型产出一个 JSON 对象告诉你“我要调用 echo(text='hello')”。

*   `MCP` 关注**意图执行**：给出 echo 的端点、鉴权、并发控制、回调格式，甚至链式编排。
    将两者放在一起，你就得到**模型决定要做什么 → MCP 决定这件事去哪做**的分工模式。Medium 与 DailyDose of DataScience 的多篇文章都把这种关系比作“助理 vs 运营经理”。([medium.com](https://medium.com/%40genai.works/%EF%B8%8F-function-calling-vs-mcp-what-smart-ai-teams-need-to-know-7c319267b6db?utm_source=chatgpt.com "Function Calling vs. MCP: What Smart AI Teams Need To Know"), [dailydoseofds.com](https://www.dailydoseofds.com/p/function-calling-mcp-for-llms/?utm_source=chatgpt.com "Function calling & MCP for LLMs - Daily Dose of Data Science"))

### 对开发者的直接收益

*   **零拷贝的工具扩容**：不必改提示，直接把新 MCP 服务器接入代理即可暴露新工具。

*   **跨进程/跨语言复用**：Python 写的爬虫、Go 写的 PDF 解析，只要包一层 MCP shim，GPT-4o 在一次对话里就能同时使用。

*   **权限与成本控制**：MCP Proxy 能注入 `rate‐limit`、计费、审计中间件；LLM 只面向抽象的 schema，不暴露后端细节。([venturebeat.com](https://venturebeat.com/data-infrastructure/anthropic-releases-model-context-protocol-to-standardize-ai-data-integration/?utm_source=chatgpt.com "Anthropic releases Model Context Protocol to standardize AI-data ..."))

## 实战示例：一条请求如何从 GPT-4o 走到 MCP 工具

下面给出完整可运行 Demo，演示模型通过 `function call` 把参数路由到本地 MCP Echo 工具，再把结果回流给模型或用户界面。代码刻意避开双引号，用单引号/模板字面量确保满足格式要求。

### 1\. 用 `@modelcontextprotocol/sdk` 编写 Echo 工具服务器

```
// echo-server.js  (Node ≥ 20)
import { createToolsServer } from '@modelcontextprotocol/sdk';

const port = 8000;

createToolsServer({
  tools: {
    echo: {
      description: 'Return the same text',
      parameters: {
        type: 'object',
        properties: { text: { type: 'string' } },
        required: ['text']
      },
      handler: async ({ text }) => ({ text })
    }
  },
  port
}).then(() => console.log(`MCP 工具服务器已在端口 ${port} 运行`));

```

### 2\. Python 脚本触发 `function call` 并通过 HTTP 调用 MCP

```
# call_echo.py  (Python ≥ 3.10)
import openai, requests

openai.api_key = 'YOUR_API_KEY'

tools_schema = [
    {
        'type': 'function',
        'function': {
            'name': 'echo',
            'description': 'Return the same text',
            'parameters': {
                'type': 'object',
                'properties': { 'text': { 'type': 'string' } },
                'required': ['text']
            }
        }
    }
]

def call_llm(msg: str):
    rsp = openai.ChatCompletion.create(
        model='gpt-4o-mini',
        messages=[{ 'role': 'user', 'content': msg }],
        tools=tools_schema,
        tool_choice='auto'
    )
    return rsp

if __name__ == '__main__':
    answer = call_llm('请复读：Hello MCP')
    call = answer.choices[0].message.tool_calls[0]
    payload = { 'text': eval(call.function.arguments)['text'] }
    echo_rsp = requests.post('http://localhost:8000/tools/echo', json=payload, timeout=5).json()
    print('MCP echo result:', echo_rsp)

```

启动流程：

1.  `node echo-server.js`

2.  `python call_echo.py`
    终端会看到 `MCP echo result: {'text': 'Hello MCP'}`，表明 `function call → MCP → Echo` 闭环完成。([github.com](https://github.com/modelcontextprotocol/inspector?utm_source=chatgpt.com "modelcontextprotocol/inspector: Visual testing tool for MCP servers"), [github.com](https://github.com/punkpeye/mcp-proxy?utm_source=chatgpt.com "A TypeScript SSE proxy for MCP servers that use stdio transport."))

### 3\. 扩展：把多台 Echo 服务器挂在 MCP Proxy 下

若再运行 `npx mcp-proxy --port 9000 --shell node echo-server.js` 即可把多个工具聚合到 `localhost:9000/mcp`，而模型侧代码无需改动。([github.com](https://github.com/punkpeye/mcp-proxy?utm_source=chatgpt.com "A TypeScript SSE proxy for MCP servers that use stdio transport."))

## 深度比较

| 维度 | `function call` | `MCP` |
| --- | --- | --- |
| 关注点 | 意图格式 & JSON 架构 | 传输、发现、治理 |
| 执行时机 | 由外层 Orchestrator 立即执行 | 可流式、可事务、支持重试 |
| 多工具协同 | 手动在提示中列出 | `/tools` 动态发现 |
| 权限/计费 | 需自行实现 | Proxy 官方支持插件化 |
| 并发 & 队列 | 无定义 | SSE/WS 流可天然并发 |
| 社区生态 | OpenAI, Azure AI, Google PaLM | Anthropic, LangChain, Plugged.in |

## 真实案例

*   **IDE 集成**：Cursor 通过 MCP 把本地 Git 历史、Stack Trace 分析器暴露给模型，实现 `Explain my diff` 一键命令。([github.com](https://github.com/modelcontextprotocol/inspector?utm_source=chatgpt.com "modelcontextprotocol/inspector: Visual testing tool for MCP servers"))

*   **企业知识库**：某保险公司把多达 120 个内部 REST 服务映射为 MCP 工具，模型先用 `function call` 检索相关服务，再让 MCP 进行统一鉴权与缓存。

*   **RAG 管道**：LangGraph 的 AgentNode 在拿到搜索意图后，让 MCP Proxy 在不同向量库之间做路由，完成自动降级与热备。([changelog.langchain.com](https://changelog.langchain.com/announcements/mcp-adapters-for-langchain-and-langgraph?utm_source=chatgpt.com "MCP Adapters for LangChain and LangGraph"))

## 调优建议

1.  **Schema 先行**：让参数和返回值遵循 JSON-Schema 7.0，减少模型在大文档里“找不到字段”的幻觉概率。

2.  **版本打标签**：MCP 工具的 `biome` 字段可存储 SemVer，配合 Proxy 的路由规则实现灰度发布。([modelcontextprotocol.io](https://modelcontextprotocol.io/specification/2025-03-26?utm_source=chatgpt.com "Specification - Model Context Protocol"))

3.  **对齐成本**：在提示层，用“你可以调用 echo 来...”为模型提供示例，可显著提高正确调用率。([help.openai.com](https://help.openai.com/en/articles/8555517-function-calling-in-the-openai-api?utm_source=chatgpt.com "Function Calling in the OpenAI API"))

4.  **错误复写**：让 MCP Proxy 在 5xx 时自动回退到备用服务器，同时把错误作为 ToolResult 让模型复盘，而不是直接返回给最终用户。([github.com](https://github.com/VeriTeknik/pluggedin-mcp-proxy?utm_source=chatgpt.com "VeriTeknik/pluggedin-mcp-proxy: Plugged.in MCP Server ... - GitHub"))

## 趋势与展望

Business Insider 指出，AI 领域未来会像 `TCP/IP` 一样涌现众多协议，`MCP` 只是生态中的第一波。Google 已经在实验 `Agent2Agent`，而 GitHub 试图用 `Code-LLM-API` 承载 IDE 与 Copilot 的对话状态。([businessinsider.com](https://www.businessinsider.com/ai-protocol-rules-future-2025-6?utm_source=chatgpt.com "The future of AI will be governed by protocols no one has agreed on yet"), [businessinsider.com](https://www.businessinsider.com/ai-protocol-rules-future-2025-6?utm_source=chatgpt.com "The future of AI will be governed by protocols no one has agreed on yet"))
与此同时，OpenAI 把 `function call` 拓展为多模型协作的“ToolChoice”，允许模型推荐其他模型来处理图像或语音，这预示一个标准**意图层 × 传输层**叠加的未来。([langfuse.com](https://langfuse.com/blog/2025-03-19-ai-agent-comparison?utm_source=chatgpt.com "Comparing Open-Source AI Agent Frameworks - Langfuse Blog"), [arize.com](https://arize.com/blog-course/llm-agent-how-to-set-up/comparing-agent-frameworks/?utm_source=chatgpt.com "Comparing Agent Frameworks - Arize AI"))

## 收束观点

`function call` 让语言模型“说人话”地描述自己要做什么；`MCP` 让这些需求以统一、安全、可扩展的方式“落地执行”。把两者串在一起，就像把 TCP 流量塞进 HTTP，再通过 Kubernetes 管理 —— 简单、清晰、可拔插，也为 AI 代理走向企业级生产奠定了基础。


在现代 LLM 工具生态里，function call 提供了模型“触手可及”的即时工具，而 MCP（Model Context Protocol）则把大量分散的工具与数据源整合成一张可寻址的网络。前者专注于让模型正确地产生“调用意图”，后者专注于把这些意图可靠地路由到正确的服务端点。当两者结合，开发者能够用极小的提示成本为 GPT-4o 或 Claude-3 等模型接入数百个外部能力，并在权限、缓存、并发、版本管理等维度获得工程级别的治理能力。(platform.openai.com, github.com)

Function Call 与 MCP 的深度融合之道

在现代 LLM 工具生态里，function call 提供了模型“触手可及”的即时工具，而 MCP（Model Context Protocol）则把大量分散的工具与数据源整合成一张可寻址的网络。前者专注于让模型正确地产生“调用意图”，后者专注于把这些意图可靠地路由到正确的服务端点。当两者结合，开发者能够用极小的提示成本为 GPT-4o 或 Claude-3 等模型接入数百个外部能力，并在权限、

紫薇堂堂主

大数据

"探索AI工具生态：functioncall与MCP协议如何协同工作？functioncall让LLM结构化输出调用意图，MCP协议实现工具发现与分布式执行。开发者无需修改提示词即可接入数百个外部能力，获得权限管理、缓存等企业级功能。实战示例展示从GPT-4o到MCP工具的完整调用流程，为AI代理开发提供标准化解决方案。"

负载均衡

Kubernetes

中间件

服务器

Python

GitHub

路由

JSON

4核4G3M云服务器 新用户低至38元/年！

2026新春采购季

message-queue-catalog

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

"探索AI工具生态：functioncall与MCP协议如何协同工作？functioncall让LLM结构化输出调用意图，MCP协议实现工具发现与分布式执行。开发者无需修改提示词即可接入数百个外部能力，获得权限管理、缓存等企业级功能。实战示例展示从GPT-4o到MCP工具的完整调用流程，为AI代理开发提供标准化解决方案...

Function Call 与 MCP 的深度融合之道-腾讯云开发者社区-腾讯云

Function Call 与 MCP 的深度融合之道

Function Call 与 MCP 的深度融合之道

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐