Tool Calling&Function Calling& MCP交互流程

交互实体

大模型Deepseek（简称：LLM）

Java 实现LLM Client服务（简称：Client）

MCP Server 服务

交互图

流程文字简述

1. Client 启动预加载所有 MCP 工具路由配置
2. 用户向 Client 提交问题
3. Client 携带工具列表首次请求 DeepSeek
4. DeepSeek 返回需要调用工具的指令
5. Client 匹配路由，通过 MCP 协议调用对应 MCP 服务
6. MCP 服务返回工具查询结果
7. Client 补齐完整对话上下文再次请求 DeepSeek
8. DeepSeek 生成最终口语化答案返回 Client
9. Client 将答案输出给用户

交互过程

第一步：在Client注册MCP server的方法和地址

需要注册信息如下

1. 方法名称

2. URL地址

3. token

因为MCP是有固定协议，所以接口参数是固定的。协议详细参考：规范（2024-11-05）

// 客户端内部维护的路由映射
const toolRouter = {
  "get_weather": {
    mcpServerUrl: "https://weather-mcp.example.com/mcp",
    authToken: "Bearer xxx"
  },
  "get_stock_price": {
    mcpServerUrl: "https://stock-mcp.example.com/mcp",
    authToken: "Bearer yyy"
  }
};

第二步：Client 访问Deepseek接口，并携带Tool参数

{
  "model": "deepseek-chat",
  "messages": [
    {
      "role": "system",
      "content": "你是一个智能助手，可以根据用户问题调用合适的工具。"
    },
    {
      "role": "user",
      "content": "北京今天的天气怎么样？"
    }
  ],
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_weather",
        "description": "查询指定城市的实时天气信息，支持中国主要城市",
        "parameters": {
          "type": "object",
          "properties": {
            "city": {
              "type": "string",
              "description": "城市名称，如：北京、上海、深圳"
            },
            "unit": {
              "type": "string",
              "enum": ["celsius", "fahrenheit"],
              "description": "温度单位，默认为摄氏"
            }
          },
          "required": ["city"]
        }
      }
    },
    {
      "type": "function",
      "function": {
        "name": "get_stock_price",
        "description": "查询指定股票代码的实时价格",
        "parameters": {
          "type": "object",
          "properties": {
            "code": {
              "type": "string",
              "description": "股票代码，如：AAPL、000001"
            }
          },
          "required": ["code"]
        }
      }
    }
  ],
  "tool_choice": "auto"
}

第三步：DeepSeek返回信息给Client

DeepSeek 模型经过推理，决定调用 get_weather 工具，并返回结构化的 JSON 指令：

{
  "id": "chatcmpl-xxx",
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": null,
        "tool_calls": [
          {
            "id": "call_abc123",
            "type": "function",
            "function": {
              "name": "get_weather",
              "arguments": "{\"city\": \"北京\", \"unit\": \"celsius\"}"
            }
          }
        ]
      },
      "finish_reason": "tool_calls"
    }
  ]
}

第四步：Client根据get_weather方法查询MCP Server地址，并传参{"city": "北京", "unit": "celsius"}调用

MCP Server调用接口返回如：

传输方式：HTTP POST（Streamable HTTP） 或 stdio

// HTTP POST https://weather-mcp.example.com/mcp
// Headers: Content-Type: application/json, Authorization: Bearer xxx
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": {
      "city": "北京",
      "unit": "celsius"
    }
  }
}

关键字段说明：

|------------------|----------------------------------------------|
| 字段 | 说明 |
| jsonrpc | 固定为 "2.0"，表明使用 JSON-RPC 2.0 协议 |
| id | 请求唯一标识，用于匹配响应 |
| method | 固定为 "tools/call"，表示要调用一个工具 |
| params.name | 工具名称，必须与模型返回的 function.name 一致 |
| params.arguments | 参数，来自模型返回的 function.arguments（JSON字符串已解析为对象） |

MCP Server返回：

MCP Server 执行完业务逻辑（查询天气 API）后，返回标准 MCP 响应：

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [
      {
        "type": "text",
        "text": "北京今日天气：晴，气温 25°C，湿度 45%，西南风 3-4 级。空气质量：良。"
      }
    ],
    "isError": false
  }
}

如果发生错误，响应格式如下：

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [
      {
        "type": "text",
        "text": "错误：城市 '北京' 未找到，请检查城市名称是否正确。"
      }
    ],
    "isError": true
  }
}

第五步：Client将MCP Server返回的结果发送给Deepseek，让Deepseek进行处理

客户端收到 MCP Server 的成功响应后，需要将工具执行结果提交给 DeepSeek，让模型基于结果生成最终的自然语言回复。

客户端 → DeepSeek API （请求报文）

这次请求包含三部分消息：

1. 原始用户问题

2. 模型的 tool_calls 指令（即上一步模型要求调用的内容）

3. 工具执行结果（tool 角色消息）

   {
   "model": "deepseek-chat",
   "messages": [
   {
   "role": "user",
   "content": "北京今天的天气怎么样？"
   },
   {
   "role": "assistant",
   "content": null,
   "tool_calls": [
   {
   "id": "call_abc123",
   "type": "function",
   "function": {
   "name": "get_weather",
   "arguments": "{"city": "北京", "unit": "celsius"}"
   }
   }
   ]
   },
   {
   "role": "tool",
   "tool_call_id": "call_abc123",
   "content": "北京今日天气：晴，气温 25°C，湿度 45%，西南风 3-4 级。空气质量：良。"
   }
   ],
   "tools": [
   {
   "type": "function",
   "function": {
   "name": "get_weather",
   "description": "查询指定城市的实时天气信息，支持中国主要城市",
   "parameters": {
   "type": "object",
   "properties": {
   "city": { "type": "string", "description": "城市名称" },
   "unit": { "type": "string", "enum": ["celsius", "fahrenheit"] }
   },
   "required": ["city"]
   }
   }
   }
   ],
   "tool_choice": "auto"
   }

关键字段说明：

|--------------------------|--------------------------------------------------------|
| 消息角色 | 含义 |
| user | 原始用户问题 |
| assistant (带 tool_calls) | 模型之前作出的工具调用决策，需原样返回 |
| tool | 工具执行的实际结果，必须附带 tool_call_id 与对应的 tool_calls0.id 匹配 |

DeepSeek API → 客户端（最终回复）

{
  "id": "chatcmpl-yyy",
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "北京今天天气晴朗，气温 25°C，湿度 45%，西南风 3-4 级，空气质量为良。适合户外活动。"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 210,
    "completion_tokens": 38,
    "total_tokens": 248
  }
}

客户端 → 用户

客户端解析 DeepSeek 的最终回复，将 choices[0].message.content 展示给用户。

补充说明

LLM 全程没有调用外部接口，只是一次次回答Client请求的问题

都是Client自己根据LLM提供的Tool Calling匹配机制进行协调调用

Java Spring AI有内部方法和外部方法区别，内部就是Client服务的方法，外部方法一般是遵循MCP协议的服务