最近 mcp 火得不行，但不少人对它的理解还停留在“似懂非懂”的阶段——感觉它像 Function Call，又不完全一样。

其实这种迷糊挺正常，毕竟他们确实有点像，但也真不一样。今天这篇文章，我们就来一口气梳理清楚：MCP、Function Call、Agent 三者之间到底什么关系？看完你就不晕了！

Function Call

Function Call允许大模型调用多个API ，需要告诉他每一步应该怎么做。特点如下：

• • 提供了结构化的交互接口
• • 允许AI访问外部数据和服务
• • 增强了模型的实用性和功能扩展性

常见应用：天气查询、数据检索、计算处理等基础任务。

譬如说我想去北京旅游5天。那么我需要有多个fucntion call，查询天气的API、查询路线的API。

每一个指令就是一个function call，那么存在的缺陷就是：需要为每个服务单独配置函数名称、参数格式、调用方式。

• • 用户必须分别查询故宫、长城、颐和园等每个景点的信息
• • 每查询一个信息点（开放时间、门票价格、交通方式等）都需要单独调用。

不同接口都需要去适配调用格式，如果能提供统一服务该多好。那这个时候，MCP就出现了。

MCP介绍

类似“USB 协议”，标准化 AI 模型与外部服务的交互方式。它通过客户端-服务器架构，将工具抽象为独立实体，由 MCP Server 统一调度。

核心特点：

• • 提供一种统一标准的工具接入机制
• • 模型不再纠结所有函数细节。
• • 网上有很多mcp 服务组件，可以直接调去使用，而不用再重复造轮子。

传统 Function call 模式下，模型必须分别调用景点接口、交通接口、酒店接口，了解每个接口的参数、格式、返回结构，非常繁琐。

而在 MCP 模式中，模型只需知道“我想要查景点”、“我需要订酒店”、“我要查交通”，这些服务在 MCP 中被抽象为标准化的工具或资源。

MCP 客户端负责把这些高层次的请求转译为具体的调用方式并返回结果，极大地提升了开发效率和系统扩展性。

比如模型收到“安排北京五日游”任务时，可以通过 MCP 一键获取天气、酒店、交通和景点数据，无需为每个服务单独适配接口，从而实现更智能、更高效的旅行规划。

Agent介绍

Agent是一个高级AI系统，能够自主规划、决策和执行复杂的多步骤任务，具备一定程度的任务规划和决策能力。

核心特点：

• • 能够理解复杂目标并分解为子任务
• • 制定计划并按顺序执行多个操作
• • 具有记忆功能，能维持任务上下文
• • 能够使用多种工具（包括Function Call和RAG）解决问题

这张图就描述了agent的整体工作原理，那么tools就是之前的function call，目前的agent还需要手动去规划调用。

随着大模型能力的不断增强，大模型+MCP标准的协议就可以实现agent的能力。

如果我们想去北京旅游5天，大模型+Mcp的定酒店、地图、门票等mcp服务，拥有一定的规划能力，自动给我们生成一份旅游方案。

写在后面的话

Function Call 是大模型“动手”的能力，MCP 是“标准化的工具箱”，而 Agent 就像一个“能独立完成任务的聪明人”，能灵活组合所有工具。

最终你会发现：

理解了吗？理解的话。点个赞再走吧！