基于MCP协议调用的大模型agent开发03

目录

MCP技术体系介绍

MCP

Function calling

---

参考来源及学习推荐：

Anthropic MCP发布通告：https://www.anthropic.com/news/model-context-protocol

MCP GitHub主页：https://github.com/modelcontextprotocol

本系列：

https://blog.csdn.net/yuange1666/article/details/147095760?spm=1001.2014.3001.5502
https://blog.csdn.net/yuange1666/article/details/147095853?spm=1001.2014.3001.5502
https://blog.csdn.net/yuange1666/article/details/147127585?spm=1001.2014.3001.5501
https://blog.csdn.net/yuange1666/article/details/147127981?spm=1001.2014.3001.5501

MCP技术体系介绍

MCP

MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司提出的一种开源协议，旨在让AI模型能够无缝连接外部工具和资源，就像一把“万能钥匙”，打通了AI与现实世界的交互通道。MCP发布于2024年11月，但起初并未引起太多关注，随着今年智能体（Agent）技术的爆发式发展，MCP逐渐成为开发者关注的焦点。今年2月，Cursor宣布支持MCP功能，进一步推动了这一协议的普及。

MCP的核心在于标准化（统一范式）。它通过统一的接口，简化了AI模型与外部工具的集成过程，消除了传统方法中需要为每个工具单独配置API的繁琐步骤。这种标准化的设计不仅降低了开发成本，还减少了错误的发生（调用外部工具时兼容性错误等bug），让AI模型能够更高效地与外部系统协作。

MCP的架构分为三层：主机（Host）、客户端（Client）和服务器（Server）。主机是发起任务请求的应用，客户端负责通信，而服务器则提供工具和服务。这种设计让开发者可以灵活地部署本地或远程的MCP服务器，形成一个开放但受控的智能体能力网络。

MCP的潜力不仅在于技术本身，还在于其生态的快速发展。目前，全球已有超过5000种MCP工具，覆盖数据处理、内容生成、系统控制等多个领域。这些工具的标准化和开放性，使得开发者可以轻松构建和测试智能体工作流，推动AI从“会说话”迈向“能干活”的新时代。

可以说，MCP正在成为AI领域的“HTTP协议”，推动大型语言模型（LLM）应用的标准化和去中心化。它不仅让AI模型摆脱了“缸中大脑”的孤岛状态，还赋予了它们“感知世界与行动执行”的真实能力。未来，随着MCP生态的进一步发展，人人都能轻松构建智能体的时代即将到来。

小结一下，MCP解决的最大痛点：降低Agent开发中调用外部工具（function calling）的技术门槛。

能调用外部工具，是大模型进化为智能体Agent的关键，如果不能使用外部工具，大模型就只能是个简单的聊天机器人，甚至连查询天气都做不到。由于底层技术限制，大模型本身是无法和外部工具直接通信的，因此Function calling的思路，就是创建一个外部函数（function）作为中介，一边传递大模型的请求，另一边调用外部工具，最终让大模型能够间接的调用外部工具，开展大模型的能力边界。

例如，当我们要查询当前天气时，让大模型调用外部工具的function calling的过程

MCP是AI领域的一场革命，它让大模型与外部工具的连接变得前所未有的简单和高效。想象一下，就像USB-C接口统一了各种设备的连接方式，MCP也正在成为AI的“通用接口”，让AI模型能够轻松地与外部世界互动。

为什么MCP如此重要？

在MCP出现之前，大模型与外部工具的集成就像一场噩梦。开发者需要为每个工具单独编写复杂的代码，还要为每个工具编写JSON Schema说明，甚至设计特定的提示词模板。这不仅工作量巨大，还容易出错。而MCP的出现，彻底改变了这一切。

MCP通过标准化的接口，让大模型（MCP客户端）和外部工具（MCP服务器）能够无缝协作。开发者只需编写一次工具，就可以在多个项目中复用，极大地提高了开发效率（类似理解为像python这种面向对象的变成，函数式编程使得一段代码在复用时的调用更加简洁高效，甚至一行代码就能搞定）。更重要的是，这种标准化还促进了全球开发者社区的协作，大家可以在GitHub上共享已经开发好的MCP服务器，从查询天气、网页爬取到数据分析、机器学习建模，应有尽有。

MCP如何运作？

MCP采用客户端-服务器架构，AI模型作为客户端，与提供特定功能的服务器进行通信。当AI需要访问外部数据或执行操作时，它会向相应的服务器发送请求，服务器处理后返回结果。这种设计不仅让AI模型能够专注于核心推理能力，还能通过外部工具扩展其功能。

例如，一个客服聊天机器人可以通过MCP实时查询订单状态，或者一个AI助手可以通过MCP分析数据库中的数据。这种灵活性和扩展性，让AI从“会说话的机器人”进化为“能干活的助手”。

MCP的未来：AI的“高速公路”

MCP不仅仅是一个技术协议，它更像是AI领域的“高速公路”，让AI模型和工具之间的数据流动更加顺畅。随着MCP生态的不断发展，开发者可以轻松构建和测试智能体工作流，推动AI从“孤岛”迈向“协作网络”的新时代。

想象一下，未来的AI助手不仅能回答问题，还能直接操作你的日程、管理你的邮件、分析你的数据，甚至帮你完成复杂的任务。这一切都得益于MCP的标准化和开放性。它不仅让AI更强大，也让开发者更高效，让每个人都能轻松构建智能体。

MCP社区的服务示例

MCP 协议如同大模型的 “万能插头”，本地大模型安装相应库支持该协议后，几行代码就能轻松接入海量外部工具，极大降低 Agent 开发门槛，让开发者专注创造性任务。它类似 HTTP 协议，旨在提升大模型 Agent 开发效率。Anthropic 为普及 MCP 协议，提供涵盖 Python、TS、Java 等多语言的 MCP 客户端和服务器开发 SDK，助力开发者快速搭建 MCP 服务器，吸引个人与团队参与生态建设。目前，MCP 协议在全球开发者社区掀起协作热潮，开发者可在 GitHub 分享或使用他人的 MCP 服务器，避免重复开发，加速生态繁荣，催生更多智能应用。

Function calling

Function calling 是一种让AI模型调用外部工具或功能的技术，就像给AI配了一个“万能助手”。当AI需要完成某些任务时，比如查询天气、分析数据或生成图表，它可以直接“打电话”给相应的工具，把任务交给工具处理，然后工具会把结果“回传”给AI。这样，AI不仅能回答问题，还能真正“动手”解决问题。

1.外部函数库准备

自定义函数（Step 1）：开发者预先定义好需要大模型调用的外部函数，明确函数功能；

添加 Json Schema 表示（Step 2）：为每个自定义函数添加 Json Schema，用于描述函数的输入参数、输出格式等结构，使大模型能理解函数规范；

创建 Tool_List 列表（Step 3）：将所有函数的 Json Schema 整合到一个工具列表（Tool_List）中，为后续调用提供规范描述。

2.用户发起请求与模型判断

用户通过 send_messages 触发 client.chat.completions.create，传入 model（模型）、messages（对话消息）、tools（工具列表）。

模型判断是否需要调用外部函数：不需要调用：直接输出 assistant message，content 为模型返回的信息，tool_calls 设为 None。

需要调用：输出 assistant message，content 为 None，tool_calls 包含需调用的函数名和参数。

3.外部函数执行

将 user message 与含 tool_calls 的 assistant message 组合，传递给外部函数库：匹配函数（Step 1）：根据 tool_calls 中的函数名，找到对应的自定义函数。

传递参数（Step 2）：将 tool_calls 提供的参数传入该函数。

执行函数（Step 3）：运行函数并获取返回结果。

封装结果（Step 4）：将结果封装为 ToolMessage，格式为 {role: tool, name: 函数名, content: 执行结果, tool_call_id: id}。

4.生成最终答案

将封装好的 tool message 追加到原消息中，再次调用 client.chat.completions.create（传入更新后的 messages）。

模型基于外部函数的执行结果，输出 Final Answer，完成整个流程。