Function Call与MCP：给AI插上连接现实的翅膀

想象一下，如果AI只能依靠训练时学到的知识，就像一个与世隔绝的学者，知识再渊博也无法了解外面的世界正在发生什么。这就是早期大模型的困境------直到Function Call和MCP的出现。

从"知道一切"到"能获取一切"

当我们问AI"今天北京天气怎么样？"时，我们希望得到的是此时此刻的真实天气，而不是模型训练时学到的历史数据。这就是传统大模型的局限性：

🤖 LLM是提前训练好的，不了解新知识或新服务
🔒 缺乏足够的上下文时容易"胡说八道"(hallucination)
⏰ 无法获取实时信息，如天气、新闻、股票等

Function Call 和MCP就是为了解决这些问题而生的技术，它们让AI能够突破自身限制，与外部世界连接。

Function Call：AI的"第一次触网"

什么是Function Call？

Function Call是一种让大语言模型能够调用外部函数或API的技术。它就像是给AI装上了一双可以操作外部世界的手：

graph LR A[用户提问] --> B[LLM分析需求] B --> C{需要外部工具?} C -->|是| D[生成函数调用请求] C -->|否| E[直接回答] D --> F[执行外部函数] F --> G[获取结果] G --> H[LLM整合结果生成最终回答] H --> I[返回用户]

为什么AI需要Function Call？

获取实时信息：查询天气、新闻、股票等最新数据
执行精确计算：进行复杂数学计算或数据分析
与外部系统交互：操作数据库、发送邮件、控制设备等
增强可靠性：减少模型"编造"信息的可能性

Function Call实战：查询天气

让我们通过一个具体例子看看Function Call是如何工作的：

javascript 复制代码

import OpenAI from 'openai'; // 导入OpenAI库

const client = new OpenAI({
  apiKey: 'sk-5kq7', // API密钥
  baseURL: 'https://api.302.ai/v1' // API基础地址
})

// 定义获取天气的函数
const getWeather = async (city) => {
  // 实际项目中这里会调用真实天气API
  return {
    city,
    temp: '28',
    condition: 'Sunny'
  }
}

async function main() {
  // 第一步：AI分析是否需要调用函数
  const resp = await client.chat.completions.create({
    model: "gpt-4o",
    messages: [
      {
        role: "user",
        content: "今天北京天气怎么样?"
      }
    ],
    // 告诉AI可用的工具列表
    tools: [
      {
        type: 'function',
        function: {
          name: "getWeather", // 函数名
          description: "获取某个城市的天气", // 函数描述
          parameters: { // 参数定义
            type: "object",
            properties: {
              city: {
                type: "string"
              }
            },
            required: ["city"] // 必需参数
          }
        }
      }
    ]
  });

  // 检查AI是否想调用函数
  const toolCall = resp.choices[0].message.tool_calls?.[0];
  
  if (toolCall?.function.name === "getWeather") {
    // 解析AI生成的参数
    const args = JSON.parse(toolCall.function.arguments);
    
    // 实际执行函数获取天气数据
    const weather = await getWeather(args.city);
    
    // 第二步：将结果返回给AI继续处理
    const secondResp = await client.chat.completions.create({
      model: 'gpt-4o',
      messages: [
        {
          role: 'user',
          content: '北京天气'
        },
        resp.choices[0].message, // AI的函数调用请求
        {
          role: 'tool', // 工具执行结果
          tool_call_id: toolCall.id, // 调用ID
          content: JSON.stringify(weather) // 天气数据
        }
      ]
    })
    
    // 最终AI生成的回答
    console.log(secondResp.choices[0].message.content)
  }
}

main();

代码详解：

初始化客户端：创建OpenAI客户端实例，配置API密钥和地址
定义工具函数：实现具体的业务逻辑（如获取天气）
第一次API调用：AI分析用户问题，决定是否需要调用函数
解析AI响应：检查AI是否生成了函数调用请求
执行函数：运行实际函数获取结果
第二次API调用：将函数结果返回给AI生成最终回答
输出结果：展示AI生成的最终响应

这个过程就像是一个聪明的助手：你先告诉它有什么工具可用，它自己决定什么时候使用这些工具，使用后再向你汇报结果。

MCP：Function Call的"升级版"

为什么需要MCP？

随着Function Call的广泛应用，一些问题逐渐浮现：

🔧 每个项目都需要自定义函数调用逻辑
🤝 不同系统间的集成成本高
🛡️ 安全性和权限控制复杂
🔌 缺乏统一的标准和协议

这就引出了MCP（Model Context Protocol）------一个标准化LLM与外部资源交互的协议。

MCP是什么？

MCP是一个开放协议，定义了LLM如何与外部工具、数据源和服务进行交互。可以把它想象成AI世界的USB协议：

就像USB为各种外设提供了统一连接标准一样，MCP为AI和各种外部资源提供了标准化交互方式。

MCP的核心组件

MCP Server：提供特定功能的服务端（如天气服务、数据库查询等）
MCP Client：与LLM交互的客户端（如Cursor、Claude等AI应用）
Transport：服务器与客户端之间的通信层
LLM：大语言模型本身

MCP实战：创建时间服务

让我们创建一个简单的MCP服务器，提供时间查询功能：

javascript 复制代码

// mcp-server.js
// 导入MCP服务端核心类，用于创建和管理MCP服务器
// MCP服务器统一管理工具调用与上下文，实现大模型与外部工具间标准化、高效、安全的交互。
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
// 导入基于标准输入输出的传输层，实现进程间通信
// 大模型运行的主进程（如AI应用）与通过StdioServerTransport启动的MCP工具服务器进程之间的通信。
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
// 导入调用工具请求和响应的数据结构类型定义，确保通信数据格式规范
import {
  CallToolRequestSchema,
  CallToolResultSchema,
} from "@modelcontextprotocol/sdk/types.js";

// 1. 创建 MCP Server
const server = new Server(
  {
    name: "demo-mcp-server", // 服务器名称，用于标识当前MCP服务
    version: "1.0.0",// 服务器版本，便于版本管理和兼容性控制
  },
  {
    capabilities: {
      tools: {}, // 可以动态注册工具
    },
  }
);

// 2. 注册一个工具（比如：获取当前时间）
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "getTime") {
    return {
      content: [
        {
          type: "text",
          text: `当前时间是: ${new Date().toISOString()}`,
        },
      ],
    };
  }
  throw new Error("未知工具: " + request.params.name);
});

// 3. 启动 MCP Server
// StdioServerTransport 是通信桥梁（运输层）
const transport = new StdioServerTransport();
// server.connect(transport) 是将 MCP 服务器连接到该桥梁
server.connect(transport);

代码详解：

导入必要模块：引入MCP SDK提供的服务器、传输层和类型定义
创建服务器实例：配置服务器名称和版本信息
注册工具处理器：定义服务器提供的工具和对应的处理逻辑
启动服务器：建立通信传输层并启动服务

这个MCP服务器提供了一个getTime工具，当AI需要获取当前时间时，就会调用这个工具。

配置MCP客户端

创建好MCP服务器后，需要在AI客户端中配置连接。以Cursor编辑器为例，需要修改设置文件：

json 复制代码

{
  "mcpServers": {
    "time-mcp": {
      "autoApprove": [],
      "disabled": false,
      "timeout": 60,
      "type": "stdio",
      "command": "node",
      "args": [
        "C:/Users/hh/Desktop/lesson_si/interview/ai/mcp/demo/index.mjs"//本地MCP服务器的路径
      ],
      "env": {}
    },
    "amap-maps": {
      "disabled": false,
      "timeout": 60,
      "type": "stdio",
      "command": "npx.cmd",
      "args": [
        "-y",
        "@amap/amap-maps-mcp-server"
      ],
      "env": {
        "AMAP_MAPS_API_KEY": "你自己的密钥"
      }
    }
  }
}

配置详解：

time-mcp：自定义时间服务配置
amap-maps：高德地图服务配置（需要API密钥）
stdio传输：使用标准输入输出进行进程间通信
超时设置：配置请求超时时间防止无限等待

配置完成后，AI就可以使用这些外部工具了。比如用户可以问："帮我规划从公司到机场的路线"，AI就会通过高德地图MCP获取实时路径规划。

Function Call vs MCP：如何选择？

特性	Function Call	MCP
协议标准	厂商特定(如OpenAI)	开放标准
集成复杂度	相对简单	需要设置服务器
可复用性	项目特定	跨项目通用
安全性	依赖实现	内置权限控制
适用场景	简单定制需求	复杂企业应用

选择建议：

🚀 初学者或简单项目：从Function Call开始
🏢 企业级复杂应用：选择MCP更合适
🔄 需要跨平台复用工具：MCP是更好选择
⚡ 快速原型开发：Function Call更轻量

总结：AI的未来是连接的世界

Function Call和MCP代表了AI发展的重要方向：从孤立的知识系统转变为能够与真实世界交互的智能代理。它们解决了大模型的根本限制：

实时性：获取最新信息，不再受训练数据时间戳限制
精确性：通过专业工具执行准确计算和操作
安全性：可控地访问外部系统，减少幻觉现象
扩展性：不断集成新工具和能力，避免模型重新训练

随着这些技术的发展，我们正在走向一个AI真正成为"万能助手"的时代------它不再只是回答问题，而是能够帮我们实际做事：订机票、查天气、分析数据、控制智能家居...

这就像是给AI装上了连接现实世界的翅膀，让它从知识的图书馆飞向了无限可能的天空。

现在，当你再次问AI"今天天气怎么样？"时，背后可能正发生着一场精彩的技术舞蹈：AI分析你的需求→调用天气MCP服务→获取实时数据→生成友好回答。这一切在几秒内完成，你却只看到了最终的那一句："今天北京晴，28°C，适合出行哦！" 🌞

参考资料：