当前位置：首页 > news >正文

白话AI Agent (5): AI Tools——Function Call与MCP补充AI能力、助力AI任务执行

news 2026/3/27 5:11:33

依旧是那句话，大模型的单兵能力不等于AI系统的能力，一个健壮的AI系统需要多方好友的支持协助，才能发挥其最佳的潜力。那么AI Tools这个老友，就是最坚强的支持者。AI Tools可以分为两类，一类是今年火热的MCP，一个真的能干活的伙计，通过MCP Server为AI系统在对应的逻辑节点提供所需要的支持。另一个是多年好友Function Calling，通过API的方式，基于AI识别的调取参数，返回对应的结构化结果，实现AI能力的拓展。

本篇文章将对分别解析Function Calling和MCP这两个能够释放AI潜力的好友，剖析他们是如何进行工作，如何为AI提供支持能力的。

Function Calling

一句话总结：通过Function Calling实现大模型所学信息外的额外信息的获取与补充，解决的是模型与信息之间的集成问题。AI会将自然语言转换成API调用，来通过外部工具来获取最新信息。从而解决大模型知识不及时的问题。例如天气查询：我们问今天的天气如何。这个时候就需要通过Function calling来补足最新的上下文，来完成对应的Agent任务。

在AI Agent中实现Function Calling的调用会有以下4个步骤：

第一个阶段是函数定义阶段，Function call的开发者就会构建一个获取天气信息的函数，并且定义好这个函数的描述、参数以及参数的类型。例如函数（Function）为：get_current_weather，并且定义参数包含城市location以及温度的单位unit。——整个函数由Function calling开发者进行开发。

第二个阶段是AI开发者进行函数的注册，向大模型注册一系列调用函数，目的就是告诉大模型有哪些Functioncalling可以调用，对应那些能力，需要哪些参数，这样大模型可以在识别到需要调用Function Calling的时候进行对应的API调取，以获取对应的信息。

{ "name": "get_weather", "description": "获取指定城市和日期的天气信息", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "城市名称，例如 北京、上海、New York" }, "date": { "type": "string", "description": "日期，格式为 YYYY-MM-DD" } }, "required": ["location"] } }

第二个阶段是模型推理阶段，这个阶段是大模型运用自己的能力来判断用户的本次任务中是否需要对于Function进行调用，来进行上下文的补充。如果大模型对于本次识别出需要获取天气信息，那么就会用来调用天气函数。大模型会根据问题，来生成函数所需要的参数，并以json形式进行输出。例如如果该任务是：北京的天气情况如何，那么大模型就需要智能的判断在函数中的两个参数，location=北京，date=2025-10-2。

{ "function_call": { "name": "get_weather", "arguments": { "location": "北京", "date": "2025-10-02" } } }

第三个阶段是函数的执行阶段，开发者基于参数去调取对应天气API，例如墨迹天气会提供对应的公开API接口，将参数传给天气提供厂商的API接口，API会返回对应的函数参数。

{ "result": { "location": "北京", "date": "2025-10-02", "temperature": 24.5, "unit": "Celsius", "condition": "晴", "humidity": 58, "wind_speed": 12, "wind_direction": "NE", "air_quality": { "index": 65, "level": "良", "description": "空气质量可接受，但某些污染物可能对极少数异常敏感人群有较弱影响。" }, "sunrise": "06:12", "sunset": "17:48" } }

最后一个阶段就是整合阶段，基于函数返回的执行结果，进行必要变量的提取，并将变量向自然语言的转化，来生成最终的回答。

大模型MCP协议进行真实操作

一句话总结MCP：让大模型通过MCP协议操作工具系统，做真正的落地操作，解决的是大模型与工具之间的集成使用问题。

MCP采用的是客户端+服务器的架构概念。首先是MCP主机host就是各种IDE或者AI工具，MCP客户端 Client来处理主机与服务器Server端的通讯问题，最后是服务端：MCP服务器Servers，来暴露系统与工具的特定功能，最后就是本地数据源（例本地的例如文件、数据库和服务等）以及远程服务（通过互联网可以调用的外部系统），MCP服务器可以安全访问这些本地数据源以及这些远程服务，来进行对应数据域服务的使用。

整体的流程我梳理成了一个带有顺序的pipeline如下：

里面清晰的说明了，当一个用户提出一个诉求任务，不同的MCP组件之间是如何，总而言之一句话，通过MCP 的配置，来让LLM智能的识别每一次任务中是否需要调用MCP，以及需要调用什么MCP，并通过Host&Client进行信息的传递，通过MCP Server在本地或远程数据、服务、工具中获得对应的MCP执行以及执行结果返回给LLM，并由LLM进行消费与整合，并最终由Host和Client返回给用户。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇