比较LLM的function calling，Agent 和MCP

比较

对比维度	​MCP（Model Context Protocol）​	​Function Calling	​Agent（智能体）​
​定义	由 Anthropic 推出的开放协议，标准化 LLM 与外部数据源、工具的通信接口   。	LLM 调用外部函数的机制，通过 JSON 参数规范模型与外部系统的交互   。	自主运行的智能系统，通过分析、决策和执行实现目标，可调用工具和规划任务   。
​核心功能	- 提供标准化工具调用接口 - 动态上下文管理 - 跨平台/多数据源集成   。	- 单次函数调用 - 参数解析与执行 - 轻量化任务扩展   。	- 多步骤任务规划 - 自主决策与反思 - 多工具协作   。
​技术特点	- 客户端-服务器架构（Host/Client/Server） - 支持 REST/gRPC 通信 - 工具描述与权限控制   。	- 基于 JSON Schema 定义函数参数 - 依赖 LLM 生成调用指令 - 需手动实现执行逻辑   。	- 结合 RAG、ReAct 等框架 - 长期记忆与状态管理 - 多模态交互能力   。
​典型应用场景	- 跨平台工具集成（如同时访问本地文件 + Jira API） - 敏感数据隔离（医疗/金融场景）   。	- 简单功能扩展（如天气查询、计算器） - 封闭环境应用（内部知识库）   。	- 复杂任务自动化（代码生成、数据分析） - 拟人化交互（客服、教育辅导）   。
​优点	- 标准化协议，降低集成成本 - 支持动态上下文切换 - 多厂商 LLM 兼容   。	- 开发简单快速 - 轻量级交互 - 深度绑定特定 LLM（如 GPT-4）   。	- 高度自主性 - 复杂任务处理能力 - 可扩展性强   。
​局限性	- 架构复杂，部署成本高 - 依赖协议生态成熟度   。	- 功能单一 - 缺乏动态上下文管理 - 跨平台适配性差   。	- 资源消耗大 - 多步推理可能出错 - 工具调用依赖外部系统稳定性   。

 

补充说明：

1. ​MCP 与 Function Calling 的关系
   MCP 可视为 Function Calling 的扩展协议，通过标准化接口解耦工具调用与具体 LLM，解决跨平台和动态上下文问题

2. 实现逻辑

   • ​MCP：采用客户端-服务器架构，通过MCP Server统一管理工具调用和数据访问，LLM只需遵循协议发送请求，无需关注底层实现细节
     。
   • ​Function Calling：要求开发者预先定义函数签名，LLM直接生成调用指令，应用负责执行。这种方式与特定模型强绑定，扩展性受限

3. 技术关系

   1. ​互补性：MCP协议可以封装Function Calling作为其底层执行方式之一，但并非必须依赖
      。
      示例：MCP Server通过Python脚本调用OpenAI的Function Calling接口，但其他工具可能直接操作本地资源。
   2. ​独立性：实验表明，即使LLM不支持Function Calling（如DeepSeek Re），也能通过MCP实现工具调用
      ，说明二者在技术实现上解耦。

   4. 选择建议

   • ​优先MCP：需集成多数据源、跨平台协作或长期维护的场景（如企业级Agent开发）
     。
   • ​优先Function Calling：轻量级、单任务且对延迟敏感的场景（如实时翻译）

 

functioncalling的执行过程

 

MCP 的执行过程

 

MCP

关键设计特性

1. ​动态工具发现
   MCP Client在每次会话前自动获取最新工具列表，无需预先硬编码函数签名（对比传统Function Calling）

    

2. ​权限隔离机制

   • 敏感工具调用需用户二次确认（如文件删除操作）
      
   • 本地资源访问限制在沙箱环境（如仅允许/data/sales目录）