为什么Claude要推MCP，来看看Function Calling

一般来说大模型基本是上知天文、下知地理无所不能的。但让大模型发个邮件试试，

那么在大模型发展到第二阶段也就是 Agent 阶段时，大模型需要调用第三方应用的场景就越来越多，发个邮件，问个天气等等。

目前来说实现的方案就是 OpenAI 的 Function Calling 和 Claude 的 MCP。

而 Function Calling是openai自身模型能力的工具，适合需要快速接入OpenAI生态的场景。当然其核心思想（让大模型调用外部函数/API）也被多家厂商借鉴或实现类似功能。但没有统一的标准，所以 MCP 因应而生。

这里先来介绍一下 Function Calling，

一、Function Calling 介绍

那么在 2023 年的 6 月，由OpenAI 推出了"Function Calling"。Function Calling 就是为了解决此问题。通过 Function Calling，大模型能够通过结构化输入连接到外部系统，比如通过 API 进行交互，从而实现与外部世界的连接。

通过Function Calling AI 可以与外部工具和服务连接起来，这样 AI 的能力就非常的广阔。这样可以打造更智能、更强大的人工智能。

Function Calling 技术的不断发展，我们相信它将在未来的 AI 应用中发挥越来越重要的作用。

以下是官方对整个过程的描述：

那么具体来看看在大模型中实现函数调用的具体步骤：

二、Function Calling 实现

这是我模型的一个 Python 项目，

bash 复制代码

function_calling_project/
│── src/                
│   │── main.py         			# 主程序入口
│   │── ai_client.py   			  # OpenAI API 客户端
│   │── function_tools.py     # 定义可供模型调用的函数
│   │── handlers.py     			# 处理模型返回的函数调用

Step1：编写主程序

示例代码： main.py(主程序入口)

python 复制代码

from api_client import call_model
from handlers import handle_function_call
from tools import TOOLS

def main():
    input_messages = [{
        "role": "user",
        "content": "巴黎今天的天气如何？"
    }]

    response_output = call_model(input_messages, TOOLS)
    function_result = handle_function_call(response_output)

    if isinstance(function_result, dict):
        input_messages.append({
            "type": "function_call_output",
            "call_id": function_result["call_id"],
            "output": function_result["output"]
        })
        final_response = call_model(input_messages, TOOLS)
        print("最终响应:", final_response.output_text)
    else:
        print("处理失败:", function_result)

if __name__ == "__main__":
    main()

Step2：定义函数

首先，需要定义要调用的函数，它告诉模型它可以做什么以及期望什么样的输入参数。

📌 示例代码： function_tools.py(可提供给模型调用的函数)

python 复制代码

import requests

def get_weather(latitude, longitude):
    """获取指定坐标的天气数据"""
    response = requests.get(f"https://api.open-meteo.com/v1/forecast?latitude={latitude}&longitude={longitude}&current=temperature_2m")
    data = response.json()
    return data['current']['temperature_2m']

TOOLS = [{
    "type": "function",
    "name": "get_weather",
    "description": "获取指定经纬度的当前气温（摄氏）。",
    "parameters": {
        "type": "object",
        "properties": {
            "latitude": {"type": "number"},
            "longitude": {"type": "number"}
        },
        "required": ["latitude", "longitude"],
        "additionalProperties": False
    },
    "strict": True
}]

Step3：函数定义传递给模型

调用模型时，需要将函数定义传递给模型。

📌 示例代码： ai_client.py(调用模型客户端程序)

ini 复制代码

from openai import OpenAI
client = OpenAI()

input_messages = [{
    "role": "user",
    "content": "巴黎今天的天气如何？"
}]

response = client.responses.create(
    model="gpt-4.1",
    input=input_messages,
    tools=tools
)

Step3：模型决定调用函数

让模型来决定是否需要触发调用函数，如果模型认为需要调用函数，它会返回相应的函数名称和函数需要输入参数。

📌 示例返回结果：

css 复制代码

[    {        "type": "function_call",        "id": "fc_12345xyz",        "call_id": "call_12345xyz",        "name": "get_weather",        "arguments": "{"latitude":48.8566,"longitude":2.3522}"    }]

📌 示例代码： handlers.py(处理函数调用逻辑)

python 复制代码

import json
from tools import get_weather

def handle_function_call(response_output):
    """解析模型的函数调用请求并执行"""
    if not response_output:
        return "未返回可用数据。"

    tool_call = response_output[0]  # 这里只处理第一个函数调用
    args = json.loads(tool_call['arguments'])

    if tool_call["name"] == "get_weather":
        result = get_weather(args["latitude"], args["longitude"])
        return {"call_id": tool_call["call_id"], "output": str(result)}

    return "无法识别的函数调用。"

Step4：执行函数

执行用户自己开发的函数或第三方函数，程序解析模型的响应并执行对应的函数代码。

📌 示例代码：handlers.py(处理函数调用逻辑)

css 复制代码

result = get_weather(args["latitude"], args["longitude"])
return {"call_id": tool_call["call_id"], "output": str(result)}

Step5：返回函数执行结果

将结果提供给模型，以便它可以将信息整合到最终响应中。

📌 示例代码：

scss 复制代码

final_response = call_model(input_messages, TOOLS)
print("最终响应:", final_response.output_text)

📌 示例最终输出：

复制代码

"巴黎当前的气温是 14°C。"

这就是在大模型中实现函数调用的完整过程！

三、总结

那我们来总结一下，就是用户把自己的函数定义给到模型，用户提问题后，模型看看要不要调用函数，当模型决定要调用函数时就生成函数需要的参数及格式，再调用函数并把结果合并，最终返回给用户。

那么这里有个比较关键的东西就是函数定义：

json 复制代码

{
    "type": "function",
    "name": "get_weather",
    "description": "获取指定经纬度的当前气温（摄氏）。",
    "parameters": {
        "type": "object",
        "properties": {
            "latitude": {"type": "number"},
            "longitude": {"type": "number"}
        }
    }
}

它会最模型决定是否要调用函数的关键，每个函数都带有一个 description，用来告诉模型它的用途。如果 description 明确提到天气查询，且匹配用户请求的意图，模型就可能决定调用这个函数。当然description 并不是唯一判断的依据，它还会结合其他因素。

虽然 Function Calling 实现了调取外部函数，但 Function Calling是OpenAI为自家模型设计的工具，最适合需要快速接入OpenAI生态的场景。虽然其核心思想（让大模型调用外部函数/API）被其他厂商借鉴，但各家实现方式不同，缺乏统一标准，这也正是 Claude 推出 MCP的原因。

我是栈江湖，如果你喜欢此文章，不要忘记点赞+关注！