一文精讲 – MCP与LLM函数调用的区别

作者

前言

自从发布MCP相关文章以来，收到很多小伙伴的私信，我发现大部分人都在问MCP和LLM的Function Call（下文统称为函数调用）到底有什么区别？ 前文如下：

这是一个好问题，至少说明小伙伴们在认真阅读，并深度思考问题， 这个状态很好。另外另外也算是对笔者的鼓励，写东西有人看了ฅʕ•̫͡•ʔฅ 下面笔者尽量用通俗的语言来讲解两者的区别，尽可能全方位展开论述。如有理解不到位的地方欢迎并感谢指正。 开整( •︠ˍ•︡ )


什么是LLM函数调用？

LLM函数调用是指大型语言模型（LLM）根据用户提示生成结构化输出（通常是JSON格式），用于调用外部函数或工具。 比如，当你问“纽约的天气如何？”时，LLM可能会生成一个JSON，告诉应用去调用“获取天气”函数。


什么是MCP？

MCP（模型上下文协议）是一个开放标准，让AI模型与外部工具和服务交互。 它像一个桥梁，AI通过它请求工具执行任务，比如获取天气数据，标准化了交互方式。 其它详细内容这里不赘述，可以看这里： 这里介绍只是为了整体结构的完整性•ɷ•


小结

  • LLM函数调用： AI生成调用外部函数的指令，但需要为每个AI和工具单独设置，扩展性有限。
  • MCP： 提供统一接口，AI通过MCP服务器访问工具，减少重复设置，更适合大规模使用。

MCP在可扩展性和效率上优于LLM函数调用，当然在世界上没有一个大一统（这也是爱因斯坦毕生的愿望）的东西存在，MCP的发展还需要时间来进化、跃迁。另外在MCP社区还有一个讨论比较热的点即：MCP与现有系统的兼容性如何发展。

其实从上面LLM函数调用与MCP简介中的“获取天气数据”例子，应该能找到大概感觉了。

详细说明

LLM函数调用

LLM函数调用是指LLM生成结构化输出（通常是JSON格式）的能力，这些输出可用于调用外部函数或工具。例如，当用户询问“纽约的天气如何？”时，LLM可能会生成如下JSON：

  1. {
  2.   "function": "get_weather",
  3.   "parameters": {
  4.     "location": "北京"
  5.   }
  6. }

应用然后会解析此输出并执行get_weather函数，返回天气数据。其目的是使LLM能够执行需要外部数据或功能的任务，如检索实时信息或与业务系统交互。

从搜索结果来看，LLM函数调用是许多AI模型（如OpenAI的GPT模型）的常见功能，特别是在构建聊天机器人或代理时。例如，Function Calling with LLMs （https://www.promptingguide.ai/applications/function_calling）详细说明了如何通过微调LLM来检测何时需要调用函数，并输出包含参数的JSON。

MCP的定义与用途

MCP是由Anthropic在2024年11月引入的开放标准协议，旨在为AI模型提供与外部工具、数据源和服务的标准化交互方式。它通过客户端-服务器架构工作：AI模型（客户端）向MCP服务器发送请求，服务器处理与特定工具或数据源的交互。例如，对于相同的天气查询，LLM可能会生成：

  1. {
  2.   "jsonrpc": "2.0",
  3.   "id": 1,
  4.   "method": "tools/call", // 调用工具
  5.   "params": {
  6.     "name": "get_weather",
  7.     "arguments": {
  8.       "location": "北京"
  9.     }
  10.   }
  11. }}

此请求发送到MCP服务器，服务器执行get_weather函数并以标准化格式返回结果。MCP的目的是解决AI集成的难题，提供通用接口，使开发者无需为每个工具编写自定义代码。例如，Introducing the Model Context Protocol（https://www.anthropic.com/news/model-context-protocol）强调了MCP如何帮助前沿模型产生更相关、更准确的响应。

详细比较

以下表格总结了MCP和LLM函数调用的关键区别：

方面
LLM函数调用
MCP（模型上下文协议）
焦点
使LLM能够生成用于调用外部函数的结构化输出。
提供标准化框架，执行这些函数调用，确保与不同工具和服务的兼容性。
标准化
可能需要为每个工具或服务编写自定义实现。
提供通用标准，允许与任何MCP兼容服务器的即插即用集成。
可扩展性
扩展到多个工具可能需要为每个集成编写自定义代码。
允许LLM通过连接不同MCP服务器使用广泛的工具，无需为每个工具编写自定义代码。
角色与集成
应用必须同时处理生成函数调用和执行，耦合度较高。
分离关注点：LLM生成调用，MCP服务器处理执行，使系统更模块化。
兼容性
可能特定于某些模型或框架（如OpenAI的GPT模型）。
设计为模型无关，任何支持协议的AI模型都可以使用任何MCP服务器。
复杂性
需要为每个LLM应用定义函数，可能较为繁琐。
通过将函数定义与LLM应用分离，简化集成，增强可重用性。
使用案例
适合基本工具集成，但对于复杂、多工具系统扩展性较差。
适合构建可扩展的集成AI系统，提供标准化工具访问。

为什么MCP被视为LLM函数调用的进步

MCP在LLM函数调用的基础上引入了标准化和模块化，使集成更加高效。例如，What’s MCP all about? Comparing MCP with LLM function calling （https://neon.tech/blog/mcp-vs-llm-function-calling）指出，MCP服务器充当AI应用与第三方服务之间的桥梁，暴露函数通过标准化协议，任何MCP兼容的LLM都可以访问。这减少了开发工作量，并促进了社区采用，如GitHub、Slack等关键数据存储已开始支持MCP。

此外，MCP的客户端-服务器架构使开发者可以创建或使用现有的MCP服务器，增强了可扩展性和可重用性。例如，A Deep Dive Into MCP and the Future of AI Tooling（https://a16z.com/a-deep-dive-into-mcp-and-the-future-of-ai-tooling/）讨论了MCP如何改变AI与工具的交互方式，使开发者能够构建更强大的AI代理。

当前争议与未来展望

尽管MCP被视为进步，但其作为较新标准的采用和与现有框架（如LangChain）的兼容性仍存在争议。例如，Function-Calling vs. Model Context Protocol (MCP): Choosing the Right Approach for LLM Integration （https://www.runloop.ai/blog/function-calling-vs-model-context-protocol-mcp）指出，MCP的广泛采用可能需要时间，特别是对于依赖传统函数调用的现有系统。

自2025年起，MCP正迅速获得关注，特别是在AI社区中，但其长期影响仍需观察。研究表明，结合使用LLM函数调用和MCP可以创建更高效、可扩展的AI驱动软件自动化系统。

最后

总之，MCP和LLM函数调用的区别在于它们的角色：LLM函数调用使模型能够请求外部操作，而MCP提供标准化框架来高效、可扩展地履行这些请求。通过使用MCP，开发者可以构建更集成的AI应用，无需为每个工具编写自定义代码，这在AI工具领域是一个重大进步。 在MCP和LLM函数调用使用上的选择，笔者觉得MCP具有跟高的扩展项，能让项目的可能性更大。 希望这样的总结，能帮助到您理解他们之间的差异，欢迎评论区留言交流~~~ 🚀🚀


（文：PyTorch研习社）

发表评论