引言

随着大语言模型（LLM）从“对话引擎”演进为“智能代理”，工具调用（Tool Use） 已成为释放其生产力的关键能力。模型不仅能生成文字，还能调用外部API、查询数据库、操作文件，真正落地现实任务。

当前业界最主流的两种工具调用方案分别是：OpenAI带头推动的 Function Calling，以及Anthropic推出的开放协议 MCP（Model Context Protocol）。前者简单直观，但深度耦合于单次API调用；后者则希望成为连接模型与工具的“USB-C接口”，实现标准化、动态化的工具生态。

本文将深入对比两者的设计思想、使用方式与适用场景，并提供完整可运行的Python代码，让你边学边练，彻底搞懂它们的区别。

核心概念对比

1. Function Calling：函数即描述

Function Calling 的核心思路是把工具抽象为 函数的JSON Schema描述，在对话请求中随消息一起发送给模型。模型不会执行函数，而是返回它想要调用的函数名和参数，由开发者在本地执行后，再把结果回传给模型生成最终回复。

特点：
- 工具定义硬编码：每次请求都需要将函数列表完整塞进tools参数。
- 无状态：工具调用是一次性的，对话结束后不会保留工具信息。
- 紧耦合：函数实现、执行、结果格式化都由开发者手动控制。
- 模型负责决策：LLM只负责“选择函数+填参数”，执行权完全在外部。

2. MCP：协议即生态

MCP 将工具调用的概念抽象为 客户端-服务器协议。工具不再是一段描述文本，而是运行在独立服务器中的可发现资源。模型（通过MCP客户端）可以动态列出可用工具、调用工具，甚至订阅资源变化。

特点：
- 工具服务器化：工具实现在独立的MCP服务器中，可以被任何兼容的客户端复用。
- 动态发现：客户端启动后可以主动拉取服务器提供的工具清单，无需预先硬编码。
- 长连接与上下文：支持会话保持，工具调用可在对话上下文中持续复用。
- 开放标准：Anthropic、OpenAI、社区均参与建设，有望成为跨模型的通用工具层。

一句话总结：Function Calling 是“临时的斧子”，MCP 是“瑞士军刀工具箱”。

实战：天气查询工具

我们以一个最常见的场景——根据城市名获取天气——来分别实现两种方案，直观感受差异。

环境准备：Python 3.10+，安装依赖：
bash pip install openai mcp
运行OpenAI示例需要配置有效API Key：export OPENAI_API_KEY=sk-...

一、MCP 实现：协议化的工具服务

MCP 实现包含两部分：工具服务器 和 客户端。服务器声明并实现 get_weather 工具，客户端动态发现并调用它。

1. 编写 MCP 天气服务器（weather_server.py）

import asyncio
from mcp.server import Server
from mcp.server.stdio import stdio_server

# 创建MCP服务器实例
app = Server("weather-server")

@app.tool()
async def get_weather(city: str) -> str:
    """获取指定城市的天气情况（模拟）"""
    # 实际项目中可接入真实天气API
    city_weather = {
        "北京": "晴天，25°C",
        "上海": "多云，28°C",
        "深圳": "雷阵雨，30°C"
    }
    return city_weather.get(city, "未知城市，暂无天气数据")

async def main():
    # 使用标准输入输出作为传输通道
    async with stdio_server() as (read_stream, write_stream):
        await app.run(
            read_stream,
            write_stream,
            app.create_initialization_options()
        )

if __name__ == "__main__":
    asyncio.run(main())

2. 编写 MCP 客户端（mcp_client.py）

客户端通过启动子进程的方式连接上面的服务器，然后获取工具并调用。

import asyncio
from mcp import Client
from mcp.client.stdio import stdio_client, StdioServerParameters

async def main():
    # 要连接的服务器的启动命令（相当于在终端执行 python weather_server.py）
    server_params = StdioServerParameters(
        command="python",
        args=["weather_server.py"]
    )

    # 建立连接
    async with stdio_client(server_params) as (read_stream, write_stream):
        async with Client(read_stream, write_stream) as client:
            # 初始化会话
            await client.initialize()

            # 动态获取服务器提供的工具列表
            tools = await client.list_tools()
            print("服务器提供的工具：", [tool.name for tool in tools])

            # 调用工具，获取北京天气
            result = await client.call_tool("get_weather", {"city": "北京"})
            # 结果通常包含在 content 列表中
            print("工具返回结果：", result.content[0].text)

if __name__ == "__main__":
    asyncio.run(main())

运行方式：
1. 将以上两个文件放在同一目录下。
2. 先启动服务器：python weather_server.py（它会等待客户端连接，不必提前运行，客户端会自动启动）。
3. 运行客户端：python mcp_client.py，输出如下：

服务器提供的工具： ['get_weather']
工具返回结果： 北京晴天，25°C

亮点： 整个过程中，客户端从未硬编码工具的名称或参数，所有信息都是动态获取的。如果你想新增一个工具（例如 get_air_quality），只需