【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：
- LLM 接收来自用户的提示。
- LLM 决定它需要的工具。
- 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。
- 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 yfdef 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 Clientclient = Client() # 假设 Ollama 服务正在本地运行response = client.chat(model='llama3', # 或其他支持函数调用的模型messages=[{'role': 'user', 'content': '谷歌（GOOGL）今天的股价是多少？'}],tools=[{'type': 'function','function': {'name': 'get_stock_price','description': '获取给定股票代码的最新收盘价','parameters': {'type': 'object','properties': {'ticker_symbol': {'type': 'string','description': '股票代码，例如 AAPL 或 GOOGL'}},'required': ['ticker_symbol']}}}])
打印响应，我们得到：
【大模型给的参考】
// (示例 JSON 响应，包含 tool_calls)
{"model": "llama3","created_at": "...","message": {"role": "assistant","content": null, // 注意：通常内容为空，因为模型决定调用工具"tool_calls": [{"id": "call_abc123", // 调用ID"type": "function","function": {"name": "get_stock_price","arguments": "{\"ticker_symbol\":\"GOOGL\"}" // 参数为JSON字符串}}]},// ... 其他响应字段
}
请注意，上述响应对象的 message 键中包含 tool_calls，其中包含了相关细节，例如：
tool.function.name: 要调用的工具名称。tool.function.arguments: 工具所需的参数。
因此，我们可以利用这些信息来生成响应，如下所示：
【大模型给的参考】
# (示例 Python 代码，处理工具调用并获取最终响应)
import jsonif response['message'].get('tool_calls'):# (这里通常需要一个循环来处理多个可能的工具调用)tool_call = response['message']['tool_calls'][0] # 简化，只取第一个function_name = tool_call['function']['name']function_args = json.loads(tool_call['function']['arguments'])if function_name == 'get_stock_price':# 调用我们定义的函数stock_price = get_stock_price(function_args.get('ticker_symbol'))# 将函数执行结果发送回 LLM 以生成最终回复final_response = client.chat(model='llama3',messages=[{'role': 'user', 'content': '谷歌（GOOGL）今天的股价是多少？'},response['message'], # 包含工具调用的原始助手消息{ # 新增一条 tool 角色消息，包含结果'role': 'tool','tool_call_id': tool_call['id'],'content': stock_price}])print(final_response['message']['content'])else:print("未知的工具调用。")
else:# 如果模型没有调用工具，直接打印其回复print(response['message']['content'])这将产生以下输出（假设股价获取成功）：
谷歌（GOOGL）的最新收盘价是 [获取到的股价]。
请注意，整个过程都发生在我们的应用程序上下文中。我们需要负责：
- 托管和维护工具/API。
- 实现逻辑来确定应该调用哪个工具以及其参数是什么。
- 处理工具执行并在需要时进行扩展。
- 管理身份验证和错误处理。
简而言之，函数调用是关于在您自己的技术栈内实现动态工具使用——但这仍然需要您手动连接所有部分。
什么是 MCP？
MCP，即模型上下文协议，试图标准化这个过程。
函数调用关注的是模型想要做什么，而 MCP 则关注工具如何被发现和使用——尤其是在跨多个智能体、模型或平台时。
与在每个应用或智能体内部硬编码工具不同，MCP：
- 标准化了工具的定义、托管和向 LLM 公开的方式。
- 使 LLM 能够轻松发现可用的工具，理解其模式 (schemas)，并使用它们。
- 在工具被调用之前提供审批和审计工作流。
- 将工具实现的关注点与消费（使用）分离开来。
让我们通过集成 Firecrawl 的 MCP 服务器，在 Cursor IDE 中利用其抓取工具来快速了解其实际应用。
为此，请转到 设置 (Settings) → MCP → 添加新的全局 MCP 服务器 (Add new global MCP server)。
在 JSON 文件中，添加如下所示的内容👇
完成后，您会发现 Firecrawl 的 MCP 服务器公开的所有工具都可供您的智能体使用！
请注意，我们没有编写一行 Python 代码来集成 Firecrawl 的工具。相反，我们只是集成了 MCP 服务器。
接下来，让我们与这个 MCP 服务器交互。
如下方视频所示，当我要求它列出我博客中 CrewAI 工具的导入语句时：
【大家去原网址去看吧】
https://www.dailydoseofds.com/p/function-calling-mcp-for-llms/#what-is-function-calling
它：
- 识别出 MCP 工具（抓取器 scraper）。
- 准备了输入参数。
- 调用了抓取工具。
- 使用该工具的输出来生成响应。
所以换句话说——可以把 MCP 看作是基础设施。
它创建了一个共享的生态系统，其中工具被视为标准化的服务——类似于传统软件工程中 REST API 或 gRPC 端点的工作方式。
结论
关键点在于：MCP 和函数调用并非相互冲突。它们是同一工作流的两个方面。
- 函数调用帮助 LLM 决定它想做什么。
- MCP 确保工具可靠可用、可发现且可执行——而无需您为所有东西进行自定义集成。
例如，一个智能体可能会通过函数调用说：“我需要搜索网页”。
该请求可以通过 MCP 进行路由，以从可用的网页搜索工具中进行选择，调用正确的工具，并以标准格式返回结果。
如果您不了解 MCP 服务器，我们最近在新闻通讯中介绍了它们：
- 图解 MCP 服务器
- 构建 MCP 服务器
- 由 MCP 驱动的 Agentic RAG
轮到您了：您对函数调用和 MCP 有何看法？
感谢您的阅读！