🔌 MCP：AI 世界的「USB-C」
一个开放协议，让 AI 应用连上所有工具。它和 Function Calling 到底是什么关系？
📚 本文目录
为什么 AI 需要「工具」？
🔌 模型的局限
大模型只会「想」，不会「做」——它没法读你的文件、查数据库、发邮件、调真实 API。
于是有了工具调用：让模型在需要时，请求调用某个外部函数。
🗣️ Function Calling 是什么
Function Calling 是模型厂商的私有机制，让模型识别意图、输出结构化的 JSON，说「我想调 get_weather("北京")」。
OpenAI、Anthropic、Gemini 各家格式都不同。
问题来了：各厂商的 Function Calling 格式互不通用——API 参数名、JSON 结构、返回处理逻辑都不一样，就像不同品牌的充电接口（Lightning vs USB-C）。
还有三大痛点：① 供应商锁定（换模型要重写代码）② 上下文膨胀（工具一多，每次请求都携带庞大的 Schema，烧 token）③ 动态性差（加工具要改代码重启）。
MCP 是什么：AI 世界的「USB-C」
🌐 开放标准
MCP（Model Context Protocol）由 Anthropic 提出，是开放标准协议，定义 AI 应用如何与各种数据源/工具标准化通信。
像 HTTP 一样，任何语言都能实现 Server 或 Client，解决了 Function Calling 的碎片化。
🔍 动态发现
「我有哪些工具？」在 MCP 里问 Server 就行——客户端启动时自动调 list_tools()，拉取全部可用工具的 Schema。
加工具、换工具都不用改客户端代码。
三个角色各管什么
🏠 Host：总指挥
AI 应用本体，比如 Claude Desktop、Cursor。负责路由、记忆、Prompt 管理，是用户和工具之间的调度中枢。
🔌 Client + Server：连接
Client 是 Host 内部的连接器；Server 是独立的工具进程，持有工具的实现、权限、状态。
通过 Stdio 或 SSE 通信，工具逻辑与模型完全解耦。
核心价值：模型只管「思考」，MCP Server 管「干活」。而且一个高质量的 Server（比如 GitHub 操作、数据库查询）可以被所有支持 MCP 的 AI 应用复用——生态一次写好，到处即插即用。
安全性也更好：敏感凭证（如数据库密码）只存在 Server 端，不需要传给模型 API。
一个例子：查天气的完整流程
MCP vs Function Calling：分层协作
MCP
连接万物
工具接入层
开放标准
Function Calling
连接大脑
模型调用层
厂商私有
注意：两者是分层协作，不是替代关系。最佳实践里，应用层先把 MCP Server 的工具列表动态转换成当前模型（比如 GPT-4）认得的 Function Calling Schema，发给模型；模型返回调用请求后，应用再通过 MCP Client 去执行。各司其职。
| 维度 | 🔌 MCP | 🧠 Function Calling |
|---|---|---|
| 本质 | 开放标准协议 | 厂商私有机制 |
| 工具发现 | 动态 list_tools() | 需预注册硬编码 Schema |
| 语言 | 语言无关 | 各厂商格式不同 |
| 运行 | Server 独立进程 | 依赖厂商 API |
| 解决/痛点 | 碎片化、锁定 | 上下文膨胀、动态性差 |
为什么模型自己从不「执行」代码
🚫 模型只出「调度意图」
模型永远只输出「我想调 get_weather("北京")」这个结构化请求，谁真正执行？不是模型。
是你的代码、框架或平台沙箱去跑。模型住在一个物理隔离的推理服务里，碰不到你的系统。
🔐 安全契约 tool-use contract
让模型在你机器上删库、退款、读隐私？不可能。
模型只输出意图，你校验 call_id、参数、权限、用户是否同意后再执行——这就是 tool-use contract。
| 🧠 Function Calling | 🛠️ Tool Calling | |
|---|---|---|
| 定位 | 早期/狭义：模型输出「调哪个函数+JSON参数」 | 现代/广义：工具箱选工具 + Agent loop |
| 关系 | 函数是工具的一种 | 函数、搜索、代码执行、MCP 都是工具 |
| 执行 | 模型侧不执行 | 模型侧也不执行，是应用/框架/平台跑 |
一句话：这套架构怎么落地
把「Function Calling 是模型的方言、MCP 是通用的连接层」焊死：
模型 = 只产出「我想调哪个工具 + 参数长啥样」的意图。
MCP = 用统一标准把 AI 应用连到所有工具。
你的代码/框架 = 收到意图后真正执行，再把结果回给模型。
MCP 做工具接入层
屏蔽差异：读文件、查库、发消息，对上层都是统一的 call_tool 接口，权限日志错误都在这层收敛。
Function Calling 做模型调用层
翻译官：把 MCP 的工具列表动态转成当前 LLM 认得的 Schema，再发给模型。
即插即用
要加「发邮件」功能？部署一个新 MCP Server 即可，主程序代码一行不用改。
安全隔离
敏感凭证只存 Server 端，模型拿不到；执行前你校验权限和用户同意。
MCP 是 AI 世界的「USB-C」——开放、标准、即插即用，负责连接万物；Function Calling 是模型说「我想干嘛」的方言。二者分层协作：MCP 连接工具，Function Calling 连接大脑。模型永远只出意图，真正执行的是你的代码。
MCP 是 Model Context Protocol，Anthropic 提出的一个开放标准协议，用来让 AI 应用和外部工具、数据源标准化通信。它解决了以前 Function Calling 各家格式不统一的问题，类似 USB-C 统一了充电接口。核心是动态发现——客户端启动时调 list_tools() 就能拿到所有工具，加工具不用改代码。
两者是分层协作，不是替代。Function Calling 是模型厂商的私有机制，模型输出“我想调哪个函数 + JSON 参数”，各家格式不通用，而且工具要预注册、会烧上下文。MCP 是开放的通用连接层，动态发现工具、Server 独立运行、语言无关。实践中通常是 MCP 连接工具，Function Calling 负责和模型通信，应用层做转换。
因为模型住在一个物理隔离的推理服务里，碰不到你的系统。它只负责输出“调度意图”，也就是建议调哪个工具、参数长什么样；真正执行的是你的代码、框架或平台沙箱。这是安全契约——你在执行前要校验参数、权限、用户是否同意。