Function Calling VS MCP
1. 核心角色区分：谁做什么？
-
Function Calling 是 LLM 的“决策行为”
它描述的是：大模型在理解用户意图后，决定调用哪个工具、传什么参数。“Function Calling 是 LLM 决定‘用哪个工具’和‘怎么用’的智能决策过程” 。
-
MCP 是工具与模型之间的“标准化执行协议”
它定义的是：工具如何被注册、发现、授权、调用和返回结果，确保执行过程可靠、安全、可扩展。“MCP 负责‘执行任务’”，而 Function Calling 负责“下达任务指令” 。
“Function-calling 翻译提示为可执行指令，而 MCP 确保这些指令被可靠且大规模地执行” 。
2. 抽象层次不同：一个在模型侧，一个在系统侧
-
Function Calling 关注“模型想做什么”
它是模型输出的一部分（如 JSON 格式的tool_calls），属于推理结果。 -
MCP 关注“工具如何被消费”
“Function Calling 聚焦于模型想要做什么，MCP 聚焦于工具如何被发现和使用——尤其是在跨系统场景中” 。
“MCP 引入了 Agent 与工具之间的清晰解耦，定义了上下文共享和调用的标准协议” 。
这意味着：即使没有 MCP，你也可以通过硬编码实现 Function Calling；但有了 MCP，工具集成变得更灵活、可插拔。
3. 适用场景对比
| 场景 | 推荐方案 | 原因 |
|---|---|---|
| 简单、固定功能（如查天气、发邮件） | Function Calling | “提供可预测性和易于集成” |
| 复杂、动态、多工具环境（如 Web3 Agent、企业级 AI 平台） | MCP | “提供灵活性和可扩展性，尤其适合上下文丰富的任务” |
例如，你可以运行自己的 MCP 服务器，暴露“查询链上余额”“签名交易”等函数，LLM 通过 Function Calling 决定调用它们，而 MCP 负责安全执行和上下文管理 。
4. 是否必须一起用？
不需要强制绑定，但配合使用效果更佳：
- Function Calling 可独立工作（如 OpenAI 原生工具调用）；
- MCP 依赖某种形式的“调用指令”（可以是 Function Calling，也可以是其他结构化输出）才能发挥作用。
“MCP 定义了应用程序和 AI 模型之间交换上下文信息的方式，使开发者能以一致方式连接各种数据源、工具和功能到 AI 模型” 。
一句话总结（来自社区共识）：
Function Calling 是“大脑下达命令”，MCP 是“神经系统标准化执行命令的通路”。
二者协同，才能构建真正强大、安全、可扩展的 AI Agent 系统 。