LLM—— 基于 MCP 协议（Stdio 模式）的工具调用实践
随着大语言模型的兴起，如何安全、高效、模块化地调用模型以外的外部工具函数（Tool），成为构建智能体系统的关键能力之一。OpenAI 提供了Function Calling 这一种高层封装（详情可见 基于 OpenAI Function Calling 的工具调用实践解析交互流程），而 MCP（Message Control Protocol）进一步提供了一种底层通信协议和标准化架构，支持双向消息、工具注册与执行、Agent 编排等高级能力。
本文将带领读者理解 MCP 的核心思想，并通过 Stdio 模式 实现一个本地交互式的 Agent-Tool 系统，其具备跨进程通信、动态工具发现、远程调用与安全隔离等优势。
一、什么是 MCP？
MCP（Message Control Protocol）是一个为 AI 工具链和智能体系统设计的 轻量级通信协议，支持：
- 多语言之间的数据交互
- LLM 与工具函数的解耦
- 可插拔式工具发现、注册与调用
- 支持 Stdio、SSE、Streamable HTTP三种传输机制
其目标是让 AI 系统具备“调用任何工具”的能力，并提供统一的接口定义与消息传输规范。
二、什么是 Stdio 模式？
Stdio 模式是 MCP 最轻量的通信方式，底层通过标准输入输出（stdin/stdout）进行通信。优势包括：
- 无需网络环境，完全本地化运行
- 进程隔离，避免工具崩溃影响主程序
- 更适合开发、测试、调试小型工具代理系统
- 性能稳定、通信延迟极低
非常适合构建一类“本地 LLM + 工具执行”的 AI 智能体系统，或将 Python 工具封装成标准 Agent。
三、示例项目结构
project/
├── stdio_server.py # MCP 服务端，注册工具
└── stdio_client.py # MCP 客户端，调用工具
MCP 服务端（工具注册者）
from mcp.server.fastmcp import FastMCPmcp = FastMCP("MyServer")@mcp.tool()
def say_hello(name: str) -> str:return f"Hello, {name}! Nice to meet you!"@mcp.tool()
def add(a: int, b: int) -> int:return a + bif __name__ == "__main__":mcp.run(transport="stdio")
关键解析：
FastMCP("MyServer")：初始化一个 MCP Server，内部会维护工具注册表@mcp.tool()：将本地函数注册为 MCP 工具，自动暴露名称、描述、参数结构等元数据mcp.run(transport="stdio")：开启服务，监听标准输入/输出流，等待客户端请求
MCP 客户端（工具调用方）
import asynciofrom mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_clientasync def main():# Define server parametersserver_params = StdioServerParameters(command="python", # The command to run your serverargs=["stdio_server.py"], # The arguments to pass to the command)# Connection to the serverasync with stdio_client(server_params) as (read_stream, write_stream):async with ClientSession(read_stream, write_stream) as session:# Initialize the connectionawait session.initialize()# List avaliable toolstools_result = await session.list_tools()print("Available tools:")for tool in tools_result.tools:print(f"- {tool.name}: {tool.description}")# Call our calculator toolresult = await session.call_tool("add", arguments={"a": 1, "b": 2})print(f"1 + 2 = {result.content[0].text}")if __name__ == "__main__":asyncio.run(main())
关键解析：
StdioServerParameters：用于描述目标 Server 的启动方式（命令 + 参数）stdio_client(...)：打开一个异步上下文环境，与 Server 通过标准 IO 建立连接ClientSession：抽象出的“客户端会话”，支持工具列举、函数调用等 APIcall_tool(name, arguments)：直接远程调用 MCP Server 上注册的某个工具
交互流程时序图
四、MCP 与 Function Calling 的对比
| 功能 | OpenAI Function Calling | MCP |
|---|---|---|
| 工具注册 | JSON Schema 注册函数 | Python 装饰器注册 |
| 参数交互 | 模型生成 JSON 参数 | 客户端直接指定参数 |
| 执行隔离 | 模型内执行 | 可进程级别隔离（Stdio） |
| 通信机制 | 内部封装 | 可选 Stdio、SSE、Streamable HTTP |
| 场景适配 | LLM 调用链 | 通用代理工具框架，适合 Agent |
小结：Function Calling 更高层、针对 LLM 推理流程；而 MCP 更底层，更通用、组件化，更适合做 Tool Registry + Agent 系统。
五、总结
MCP 提供了一种强大而灵活的协议，可以帮助我们将任意 Python 工具函数注册为结构化、可调用的服务端组件。通过 Stdio 模式，我们实现了本地进程间通信的高效工具系统，读者可在此基础上进一步拓展为：
- 本地 LLM Agent + 工具系统
- 与 LangGraph 等框架整合的流程图智能体
- 支持多语言互通的插件机制
如果你正准备构建一个智能体执行平台，那么MCP 将会是一个非常值得探索的选项。