【本地AI进阶：Function Calling与MCP协议完全指南——让AI Agent帮你自动执行任务】

Ai_easygo

428人浏览 · 2026-06-23 20:15:00

Ai_easygo · 2026-06-23 20:15:00 发布

title: 本地AI进阶：Function Calling与MCP协议完全指南——让AI Agent帮你自动执行任务
tags: AI Agent,Function Calling,MCP协议,OpenWebUI,工具调用,本地AI,自动化,Ollama
category: 人工智能

本地AI进阶：Function Calling与MCP协议完全指南——让AI Agent帮你自动执行任务

本文是《本地AI配置完全攻略》系列第8篇。前7篇分别介绍了DeepSeek部署、Page Assist、OpenWebUI、联网搜索、知识库RAG、多模态语音、手机远程访问。本篇介绍如何让本地AI从"对话工具"进化为能自主调用工具的 AI Agent。

场景：你的本地AI已经能聊天、搜索、读文档，但它还只能"说"不能"做"。本篇教你用 Function Calling 和 MCP 协议，让AI能自主调用工具、执行任务、自动化工作流——全部在本地运行。

AI Agent 是什么？为什么需要它？
Function Calling 原理与协议标准
本地模型工具调用能力对比
OpenWebUI 中配置 Function Calling
实战：编写自定义工具函数
MCP 协议：连接一切的标准接口
OpenWebUI + MCP 完整配置
实战案例：文件管理 Agent
定时任务：让 Agent 自动执行
安全与权限控制
总结与下一步

1. AI Agent 是什么？为什么需要它？

1.1 传统对话 AI 的局限

能力维度	传统对话AI	AI Agent
信息处理	✅ 理解和生成文本	✅ + 能操作外部系统
任务执行	❌ 只能建议	✅ 能实际执行
多步骤规划	❌ 单轮对话	✅ 自主规划步骤
工具使用	❌ 无法调用	✅ 自主选择和调用工具
持续运行	❌ 需人工触发	✅ 可定时/事件触发

1.2 AI Agent 架构

┌─────────────────────────────────────────────┐
│                AI Agent 系统                │
├─────────────────────────────────────────────┤
│  🧠 LLM 核心（DeepSeek-R1 / Qwen2.5）    │
│       ↓ 生成工具调用决策                     │
│  🔧 Function Calling 层                    │
│       ↓ 执行工具                            │
│  📦 工具集                                 │
│    ├── 网页搜索（SearXNG）                 │
│    ├── 文件读写（MCP Filesystem）          │
│    ├── 数据库查询（MCP SQLite）            │
│    ├── 日程管理（MCP Calendar）            │
│    └── 自定义API（用户编写）               │
│       ↓ 结果返回                            │
│  💬 生成最终回答                           │
└─────────────────────────────────────────────┘

2. Function Calling 原理与协议标准

2.1 工作流程

Function Calling 的核心思想是：让LLM输出结构化的"工具调用指令"，由外部程序执行工具，再把结果喂回LLM。

用户: "深圳今天天气怎么样？"
    ↓
LLM判断: 需要调用 get_weather(city="深圳")
    ↓
程序执行: get_weather("深圳") → {temperature: 28, condition: "晴"}
    ↓
LLM接收结果: 基于{28℃，晴}生成回答
    ↓
用户收到: "深圳今天28℃，晴天。"

2.2 OpenAI Function Calling 格式（Ollama 兼容）

{
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_weather",
        "description": "获取指定城市的当前天气",
        "parameters": {
          "type": "object",
          "properties": {
            "city": {"type": "string", "description": "城市名称"}
          },
          "required": ["city"]
        }
      }
    }
  ]
}

Ollama 从 0.3.0 版本开始支持 tools 参数，格式与 OpenAI 兼容。

3. 本地模型工具调用能力对比

3.1 支持 Function Calling 的本地模型

模型	参数量	工具调用质量	推荐场景	拉取命令
Qwen2.5	7B/14B/32B	⭐⭐⭐⭐⭐	通用Agent	`ollama pull qwen2.5:14b`
DeepSeek-R1	14B/32B/70B	⭐⭐⭐⭐	推理+工具	`ollama pull deepseek-r1:14b`
Llama 3.2	8B/70B	⭐⭐⭐⭐	通用	`ollama pull llama3.2:8b`
Mistral Nemo	12B	⭐⭐⭐	轻量Agent	`ollama pull mistral-nemo:12b`
Command-R	35B	⭐⭐⭐⭐	RAG+工具	`ollama pull command-r:35b`

💡 建议：Qwen2.5 14B 的工具调用格式最稳定，推荐作为 Agent 主力模型。

3.2 验证模型工具调用能力

# 用 Ollama API 测试工具调用
curl http://localhost:11434/api/chat -d '{
  "model": "qwen2.5:14b",
  "messages": [{"role": "user", "content": "深圳今天天气怎么样？"}],
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_weather",
        "description": "获取城市天气",
        "parameters": {
          "type": "object",
          "properties": {
            "city": {"type": "string"}
          },
          "required": ["city"]
        }
      }
    }
  ]
}'

如果模型支持工具调用，返回中会包含 "tool_calls" 字段。

4. OpenWebUI 中配置 Function Calling

OpenWebUI 内置了对工具调用的支持，并通过 Functions（函数） 机制允许用户输入自定义工具。

4.1 启用工具调用（确认模型支持）

在 OpenWebUI 设置中：

Settings → Models：确保选中的模型支持工具调用（Ollama 0.3+）
Settings → Functions：查看已安装的函数

4.2 编写并安装自定义 Function

OpenWebUI 的 Function 使用 Python 编写，格式如下：

"""
name: get_weather
description: 获取指定城市的当前天气信息。当用户询问天气时调用。
"""

import requests

def get_weather(city: str):
    """
    调用 wttr.in 免费天气API
    """
    try:
        resp = requests.get(f"https://wttr.in/{city}?format=j1", timeout=10)
        data = resp.json()
        current = data["current_condition"][0]
        return {
            "city": city,
            "temperature": current["temp_C"] + "°C",
            "condition": current["weatherDesc"][0]["value"],
            "humidity": current["humidity"] + "%"
        }
    except Exception as e:
        return {"error": str(e)}

安装步骤：

打开 OpenWebUI → 左下角头像 → Settings
点击 Functions → + 创建
粘贴以上代码 → 保存
在聊天界面中，AI 会自动发现并使用这个工具

5. 实战：编写自定义工具函数

5.1 工具函数编写规范

每个工具函数应遵循以下规范：

"""
name: tool_name
description: 清晰描述工具的用途、何时调用、参数是什么。
  好的description能让LLM准确判断何时调用此工具。
"""

def tool_name(param1: str, param2: int = 10):
    """
    函数文档字符串：说明参数含义、返回值格式
    """
    # 1. 参数校验
    if not param1:
        return {"error": "param1 is required"}
    
    # 2. 执行操作
    result = do_something(param1, param2)
    
    # 3. 返回结构化结果（JSON序列化友好的dict）
    return {
        "status": "success",
        "data": result,
        "count": len(result)
    }

5.2 实用工具示例：知识库搜索工具

"""
name: search_knowledge_base
description: 在本地知识库中搜索相关信息。当用户询问需要查阅知识库内容时调用。
"""

import requests

def search_knowledge_base(query: str, max_results: int = 5):
    """
    调用 OpenWebUI 内置的 RAG 检索接口
    （需要 OpenWebUI 已配置知识库）
    """
    try:
        # 调用 OpenWebUI 内部 RAG API
        # 注意：这需要 OpenWebUI 的 Python 环境内有相应上下文
        # 实际部署时，建议通过 OpenWebUI 插件机制实现
        return {
            "query": query,
            "results": [],
            "note": "需通过OpenWebUI插件机制实现"
        }
    except Exception as e:
        return {"error": str(e)}

6. MCP 协议：连接一切的标准接口

6.1 MCP 是什么？

MCP（Model Context Protocol） 是 Anthropic 于2024年推出的开放标准协议，用于解决 AI 应用与外部工具/数据源之间的连接问题。

核心价值：

对工具开发者：只需实现一次 MCP Server，所有支持 MCP 的 AI 应用都能用
对 AI 应用：只需支持 MCP Client，就能连接所有 MCP Server
对用户：像"插USB设备"一样给 AI 添加新能力

6.2 MCP 架构

┌─────────────────┐     MCP协议      ┌─────────────────┐
│   AI应用         │ ←────────────→  │   MCP Server     │
│ (OpenWebUI/      │   标准JSON-RPC  │ (提供工具/数据)   │
│  Claude等)      │                 │                 │
└─────────────────┘                 └─────────────────┘

6.3 官方 MCP Server 列表

MCP Server	功能	安装
@modelcontextprotocol/server-filesystem	文件系统读写	`npm install -g @modelcontextprotocol/server-filesystem`
@modelcontextprotocol/server-brave-search	网页搜索	`npm install -g @modelcontextprotocol/server-brave-search`
@modelcontextprotocol/server-sqlite	SQLite数据库	`npm install -g @modelcontextprotocol/server-sqlite`
@modelcontextprotocol/server-git	Git仓库操作	`npm install -g @modelcontextprotocol/server-git`
@modelcontextprotocol/server-fetch	获取URL内容	`npm install -g @modelcontextprotocol/server-fetch`
@modelcontextprotocol/server-postgres	PostgreSQL	`npm install -g @modelcontextprotocol/server-postgres`

7. OpenWebUI + MCP 完整配置

7.1 OpenWebUI 的 MCP 支持现状

截至 2025 年初，OpenWebUI 对 MCP 的支持处于实验阶段，主要通过以下方式实现：

方式一：通过 OpenWebUI Functions 调用 MCP Server

在 Function 中，使用 subprocess 调用 MCP Server 的 stdio 接口：

"""
name: mcp_filesystem
description: 通过MCP协议访问文件系统
"""

import subprocess
import json

def mcp_filesystem(operation: str, path: str, content: str = ""):
    """
    调用 MCP filesystem server
    """
    # 构建 MCP 请求
    request = {
        "jsonrpc": "2.0",
        "id": 1,
        "method": "tools/call",
        "params": {
            "name": "read_file" if operation == "read" else "write_file",
            "arguments": {"path": path, "content": content}
        }
    }
    
    # 通过 stdin 发送给 MCP Server
    result = subprocess.run(
        ["npx", "@modelcontextprotocol/server-filesystem", "/allowed/path"],
        input=json.dumps(request),
        capture_output=True,
        text=True
    )
    return json.loads(result.stdout)

方式二：等待 OpenWebUI 原生 MCP 支持

OpenWebUI 开发团队已在 roadmap 中规划原生 MCP 支持，未来可直接在 UI 中配置 MCP Server 地址。

7.2 当前推荐方案：用 OpenWebUI Functions 替代 MCP

在 OpenWebUI 原生支持 MCP 之前，直接用 Functions 编写工具函数是最稳定的方案。

8. 实战案例：文件管理 Agent

8.1 目标

让 AI 能：

列出指定目录的文件
读取文件内容并总结
写入新文件

8.2 实现：文件操作工具函数

"""
name: file_manager
description: 管理指定目录下的文件。支持列出文件、读取文件、写入文件。当用户需要操作文件时调用。
"""

import os
import json

# 安全限制：只能访问这些目录
ALLOWED_DIRS = [
    "D:/AI_Workspace",
    "D:/UserData/Desktop/workspace"
]

def _check_path(path: str) -> bool:
    """检查路径是否在允许范围内"""
    return any(os.path.abspath(path).startswith(os.path.abspath(d)) for d in ALLOWED_DIRS)

def list_files(directory: str = "D:/AI_Workspace") -> dict:
    """列出目录下的所有文件"""
    if not _check_path(directory):
        return {"error": "Path not allowed"}
    try:
        files = []
        for f in os.listdir(directory):
            fp = os.path.join(directory, f)
            files.append({
                "name": f,
                "size": os.path.getsize(fp) if os.path.isfile(fp) else 0,
                "is_dir": os.path.isdir(fp)
            })
        return {"directory": directory, "files": files, "count": len(files)}
    except Exception as e:
        return {"error": str(e)}

def read_file(path: str) -> dict:
    """读取文件内容"""
    if not _check_path(path):
        return {"error": "Path not allowed"}
    try:
        with open(path, "r", encoding="utf-8") as f:
            content = f.read()
        return {"path": path, "content": content, "length": len(content)}
    except Exception as e:
        return {"error": str(e)}

def write_file(path: str, content: str) -> dict:
    """写入文件（仅允许写入AI_Workspace目录）"""
    if not _check_path(path):
        return {"error": "Path not allowed"}
    try:
        with open(path, "w", encoding="utf-8") as f:
            f.write(content)
        return {"path": path, "status": "success", "bytes": len(content)}
    except Exception as e:
        return {"error": str(e)}

8.3 使用效果

在 OpenWebUI 中安装上述 Function 后：

用户：帮我看看 D:/AI_Workspace 里有哪些文件？
AI：（调用 list_files）→ 有3个文件：note.txt、todo.md、draft.md

用户：帮我总结一下 note.txt 的内容
AI：（调用 read_file）→ 总结了文件内容

9. 定时任务：让 Agent 自动执行

9.1 方案架构

Windows任务计划程序 / cron
        ↓ 定时触发
Python脚本（调用Ollama API）
        ↓ 构造prompt
Ollama（本地模型）
        ↓ 生成结果
发送到邮箱 / 微信 / 本地通知

9.2 实现：每日工作总结脚本

# D:/AI_Workspace/daily_agent.py
import requests
import json
from datetime import datetime

API_URL = "http://localhost:11434/api/chat"
MODEL = "qwen2.5:14b"

def ask_agent(prompt: str) -> str:
    """调用本地Ollama API"""
    payload = {
        "model": MODEL,
        "messages": [{"role": "user", "content": prompt}],
        "stream": False
    }
    resp = requests.post(API_URL, json=payload, timeout=120)
    return resp.json()["message"]["content"]

def main():
    today = datetime.now().strftime("%Y-%m-%d")
    
    prompt = f"""
今天是{today}。
请基于你的知识，生成今日工作建议，包括：
1. 今日优先级最高的3件事
2. 需要注意的事项
3. 一句鼓励的话
（500字以内，语气积极）
"""
    
    result = ask_agent(prompt)
    
    # 保存结果
    with open(f"D:/AI_Workspace/daily_{today}.txt", "w", encoding="utf-8") as f:
        f.write(result)
    
    print("生成完成：")
    print(result)

if __name__ == "__main__":
    main()

9.3 配置 Windows 任务计划程序

# 创建一个基本任务
# 触发器：每天早上 8:00
# 操作：启动程序
# 程序：python.exe
# 参数：D:\AI_Workspace\daily_agent.py

10. 安全与权限控制

10.1 安全风险分析

风险类型	描述	防护措施
路径遍历	AI被诱导读取 `/etc/passwd` 等敏感文件	白名单限制允许路径
命令注入	工具函数中使用 `os.system` 导致代码执行	禁止在工具函数中使用shell命令
无限循环	AI反复调用工具耗尽资源	限制单轮对话最大工具调用次数
提示词注入	外部内容（网页/文档）中包含恶意指令	不信任外部输入，隔离工具执行

10.2 安全编码规范

"""
安全工具函数模板
"""

import os
import re

# 严格定义允许的操作范围
ALLOWED_DIR = os.path.abspath("D:/AI_Workspace")
MAX_FILE_SIZE = 10 * 1024 * 1024  # 10MB
MAX_CALLS_PER_TURN = 10  # 单轮最大调用次数

def safe_path(path: str) -> str:
    """将路径规范化为绝对路径，并检查安全性"""
    abs_path = os.path.abspath(path)
    if not abs_path.startswith(ALLOWED_DIR):
        raise ValueError(f"Path {path} is not allowed")
    return abs_path

def safe_read(path: str) -> dict:
    """安全读取文件"""
    try:
        path = safe_path(path)
        if not os.path.isfile(path):
            return {"error": "Not a file"}
        if os.path.getsize(path) > MAX_FILE_SIZE:
            return {"error": "File too large"}
        
        with open(path, "r", encoding="utf-8") as f:
            return {"content": f.read()}
    except Exception as e:
        return {"error": str(e)}

11. 总结与下一步

11.1 本文回顾

章节	核心内容
Function Calling 原理	LLM生成工具调用指令 → 程序执行 → 结果返回LLM
模型选择	Qwen2.5 14B 工具调用最稳定
OpenWebUI Functions	用Python编写自定义工具函数
MCP 协议	标准化工具接入协议，未来主流方向
文件管理Agent	实战案例：让AI读写指定目录
定时任务	用任务计划程序 + Ollama API 实现定时Agent
安全规范	路径白名单、禁止shell命令、限制调用次数

11.2 系列进度

篇目	主题	状态
第1-7篇	基础部署到远程访问	✅
第8篇	AI Agent + Function Calling	✅ 新！
第9篇（下篇）	高性能优化：GPU加速+模型量化	🔜 下周更新

11.3 下一步可以做什么？

接入 Home Assistant：让AI控制智能家居
接入企业微信/钉钉：让AI成为企业助手
多Agent协作：一个Agent搜索、一个Agent总结、一个Agent发送
Fine-tuning：用你的数据微调模型，提升工具调用准确率

系列文章导航：

💬 互动话题：你最想让AI Agent帮你自动完成什么任务？是文件整理、信息汇总、还是定时提醒？评论区分享你的想法，说不定下一篇就讲你需要的方案！🎉

🏷️ 发布提示：发布时请添加标签「本地AI」「AI Agent」「Function Calling」「MCP协议」「Python」，以提升推荐曝光。

参考资料：

AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

2026国产AI Agent平台全景盘点：40款智能体工具横向对比与选购决策完整指南

AI Agent技术社区

Claude Sonnet 5 正式发布：最“Agent化“的 Sonnet 模型，全面上手指南

AI Agent 时代的分水岭，可能就在今天。Anthropic 于 2026 年 6 月 30 日正式发布了 Claude Sonnet 5——号称是"迄今为止最 Agent 化的 Sonnet 模型"。这不是小修小补的迭代，而是一个能在计划制定、工具调用、自主执行层面真正"干活"的模型，而且价格比 Opus 系列便宜不少。更关键的是，Sonnet 5 已经全面开放：免费用户默认就是它，开发者

AI Agent技术社区

为什么很多人会误解AI语音机器人

文章摘要：AI语音机器人使用效果不佳常因三大误区：混淆规则AI（适合初筛）与大模型AI（适合深度服务）的功能差异、忽视高质量客户数据支撑、使用不匹配行业的话术。企通通讯针对不同场景提供两类专用机器人，并整合电销卡、回拨系统和CRM形成闭环解决方案，解决高频封号和行业适配问题。选择AI外呼需明确目标场景，确保数据精准度与通讯合规性协同，而非追求"全能型"产品。

AI Agent技术社区

所有评论(0)

查看更多评论

Ai_easygo

@Ai_easygo

已为社区贡献5条内容

【本地AI进阶：Function Calling与MCP协议完全指南——让AI Agent帮你自动执行任务】

Ai_easygo

title: 本地AI进阶：Function Calling与MCP协议完全指南——让AI Agent帮你自动执行任务 tags: AI Agent,Function Calling,MCP协议,OpenWebUI,工具调用,本地AI,自动化,Ollama category: 人工智能

本地AI进阶：Function Calling与MCP协议完全指南——让AI Agent帮你自动执行任务

目录

1. AI Agent 是什么？为什么需要它？

1.1 传统对话 AI 的局限

1.2 AI Agent 架构

2. Function Calling 原理与协议标准

2.1 工作流程

2.2 OpenAI Function Calling 格式（Ollama 兼容）

3. 本地模型工具调用能力对比

3.1 支持 Function Calling 的本地模型

3.2 验证模型工具调用能力

4. OpenWebUI 中配置 Function Calling

4.1 启用工具调用（确认模型支持）

4.2 编写并安装自定义 Function

5. 实战：编写自定义工具函数

5.1 工具函数编写规范

5.2 实用工具示例：知识库搜索工具

6. MCP 协议：连接一切的标准接口

6.1 MCP 是什么？

6.2 MCP 架构

6.3 官方 MCP Server 列表

7. OpenWebUI + MCP 完整配置

7.1 OpenWebUI 的 MCP 支持现状

7.2 当前推荐方案：用 OpenWebUI Functions 替代 MCP

8. 实战案例：文件管理 Agent

8.1 目标

8.2 实现：文件操作工具函数

8.3 使用效果

9. 定时任务：让 Agent 自动执行

9.1 方案架构

9.2 实现：每日工作总结脚本

9.3 配置 Windows 任务计划程序

10. 安全与权限控制

10.1 安全风险分析

10.2 安全编码规范

11. 总结与下一步

11.1 本文回顾

11.2 系列进度

11.3 下一步可以做什么？

所有评论(0)

温馨提示：您尚未绑定手机号

Ai_easygo

title: 本地AI进阶：Function Calling与MCP协议完全指南——让AI Agent帮你自动执行任务
tags: AI Agent,Function Calling,MCP协议,OpenWebUI,工具调用,本地AI,自动化,Ollama
category: 人工智能