Function calling和mcp区别

Function calling 和 MCP（Model Context Protocol，模型上下文协议） 都是让大语言模型（LLM）与外部世界交互的方案，但在设计目标、覆盖范围和实现方式上有明显差异。

一、什么是 Function calling

• 定义
  Function calling 是 OpenAI 在 GPT 系列（如 gpt-4-0613、gpt-3.5-turbo-0613 等）中推出的一项 API 功能。开发者在请求里向模型提供一组“函数定义”（包括函数名、参数 JSON Schema、描述等），模型会根据对话内容自动判断是否需要调用其中某个函数，并输出一个符合 Schema 的 JSON 调用指令。

• 典型流程

  1. 客户端调用 Chat Completions API，并在 functions 参数里传入若干函数定义。

  2. 模型在生成回复时，如果判断需要外部操作，就输出：

     {"name": "get_current_weather","arguments": { "location": "Boston", "unit": "celsius" }
     }
     

  3. 客户端接收上述函数调用指令，执行本地或远程函数，获得返回值后，再把结果传给模型，模型据此生成最终回复。

• 适用场景

  • 简化“自然语言 → API 调用” 的桥梁（比如天气查询、发邮件、数据库查询等）。
  • 插件式扩展：只需定义少量函数，就能让模型具备新能力。 (OpenAI)

二、什么是 MCP

• 定义
  MCP（Model Context Protocol）是由 Anthropic 推动的开放标准协议，旨在为任意 LLM 应用提供一个统一的上下文交互层。它不只是“函数调用”，而是涵盖了对各种资源、工具、提示词、采样策略和传输方式的标准化规范。

• 核心模块

  1. Resources（资源）：数据库、文件系统、API 等外部数据源
  2. Prompts（提示词）：如何动态拼装上下文给模型
  3. Tools（工具）：可执行操作的函数、脚本或微服务
  4. Transports（传输层）：支持 stdio、SSE 等协议，保证模型与 MCP 服务器之间通信可靠

• 生态与发展

  • 2024 年 11 月开源，Anthropic 示例中用 Claude 客户端一分钟内接入 GitHub 并发起 PR (The Verge)
  • 2025 年 4 月获得行业认可，Axios 报道称它正成为 LLM 与日常应用、企业系统互联的“USB-C”标准 (Axios)

• 适用场景

  • 构建多步骤、跨工具的智能 Agent（如业务流程自动化）
  • 需要对上下文做精细化管理：不仅是调用一次函数，而是持续维护资源、提示和状态

三、主要区别对比

四、小结

• 如果仅需让 GPT 在对话中智能地调用几个接口，Function calling 无疑是开箱即用的最佳选择。
• 若要构建一个可组合、可扩展的 AI 应用生态，让模型能随时访问各种数据源、执行多步任务，并在不同工具间保持上下文连贯，则更适合采用MCP这样完整的协议层。