前言

自从大型语言模型（LLM）如雨后春笋般涌现，如何将其与现有的商业系统无缝对接，成为业界研究的热点。Function Calling和Model Context Protocol（MCP）作为实现这一目标的关键技术，虽然概念上有所重叠，但它们在实际应用中却各司其职。本文将深入探讨MCP与Function Calling的关系，揭示它们如何共同构建LLM的强大生态系统。

Function Calling：LLM的“内部调用”能力

Function Calling是指LLM根据用户的自然语言输入，自主决定调用哪些函数，并进行格式化的函数调用。这一过程可以简单概括为以下几个步骤：

1. 输入解析：将用户的自然语言输入与已有函数的描述作为输入参数传给LLM。
2. 函数选择：LLM结合输入参数，决定调用哪些函数，并指明必要参数（如函数的入参），进行格式化（如JSON、XML格式）的输出。
3. 本地执行：用户端接收到LLM格式化的函数调用后，对本地的函数进行调用，得到结果。
4. 结果反馈：将得到的函数结果传给LLM，使其获得所需的上下文信息。

Function Calling强调的是LLM本身的能力，一些经过特殊训练或调优的LLM能够根据用户的自然语言输入决定使用哪些函数，并按约定的格式表达出函数的调用。

Model Context Protocol（MCP）：规范化的外部系统交互

当LLM发起了一个function calling后，这个calling最终需要外部系统进行执行。MCP正是提供了一个通用的协议框架，规范了外部系统的调用与结果处理。MCP的主要职责包括：

1. 标准化函数描述：动态地提供对可用函数的标准化的描述（如通过tools/listAPI）。
2. 标准化调用与结果处理：规范LLM应用与外部系统的交互过程，包括API数据结构和响应格式。

MCP通过标准化这一过程，极大地降低了不同团队LLM应用之间的适配成本。有了MCP client功能的LLM应用，可以轻松接入任何具有MCP server功能的外部系统，无需额外的适配工作。

Function Calling与MCP的联系与区别

尽管Function Calling和MCP在概念上有所重叠，但它们在实际应用中各有侧重点。Function Calling侧重于描述LLM本身的结构化函数调用能力，而MCP则侧重于规范化函数的执行过程，即规范LLM应用与外部系统的交互。

| 比较维度 | Function Calling | MCP | | --- | --- | --- | | 主要职责 | 解析用户意图并选择合适的函数调用，并进行格式化输出 | 规范化函数的具体执行过程，即规范LLM应用与外部系统的交互 | | 责任方 | LLM应用（client端）、外部系统（server端） | LLM应用（client端）、外部系统（server端） | | 数据结构 | LLM提供商定义的数据结构 | MCP规定的API数据结构 |

总结

Function Calling和MCP是两个具有联系但侧重点不同的技术概念。Function Calling强调LLM的结构化函数调用能力，而MCP则致力于规范化函数的执行过程。通过理解这两者的关系和区别，我们可以更好地利用它们来构建LLM的强大生态系统，实现与外部系统的无缝对接。