文章大纲
- 引言
- 一、Function Call
- 1、核心价值
- 2、Function Call 时序图
- 3、Function call如何嵌入到模型中？
- 二、什么是MCP?
- 三、MCP Server
- 1、MCP 架构
- 2、MCP的通信机制
- 3、MCP Server的核心功能
- 3.1、动态工具发现
- 3.2、权限控制与安全执行
- 3.3、资源暴露与工具调用
- 3.4、实时通信与上下文管理
- 4、MCP Server的应用
- 5、[MCP 的开发（略）](https://modelcontextprotocol.io/quickstart/server)
- 四、什么是Agent？
- 1、Agent 的特征
- 2、Agent的形态
- 3、Agent的工作时序图
- 五、Function Call vs MCP vs Agent
- 1、复杂度与能力方面
- 2、 响应方式
- 3、三者协同
- 4、功能对比
- 5、总结
引言
在人工智能快速发展的当下Agent、MCP、Function Call这三个概念频繁出现在各种技术讨论中，但它们之间存在相似性，容易被混淆。
本文所有知识整理自网络和个人的一些浅薄的理解，仅供参考，因为有些理解我不知道是否是正确的
一、Function Call
Function Call函数调用是大模型调用外部函数或API以获取信息、执行计算或与系统交互的机制，Function Call绑定到大模型身上后使得大模型可以调用外部函数或API以增强大模型能力，是连接自然语言与程序化工具的桥梁。
1、核心价值
- 突破模型闭域限制：通过调用外部工具（如数据库、API、专业软件）扩展LLM能力边界
- 提升响应可靠性：将开放域问题转化为确定性函数执行（如数学计算转Wolfram Alpha调用）
- 实现动作代理：从纯文本生成升级为可编程行为（如发送邮件、修改代码）
- 通常与大模型绑定 ，作为模型的一部分，增强大模型能力的直接方式
2、Function Call 时序图
以下是ChatGPT 利用Function call解答“北京今日气温？”的时序图：
3、Function call如何嵌入到模型中？
Function Call 就是升级版的ChatGPT插件，就是把ChatGPT插件的过程API化，是深度绑定到模型中，模型运行时直接调用的，就像是模型内部的协议一样，通过结构化的描述文件来简化通信流程。
ChatGPT 插件的机制：你的服务端给它提供一个描述文件，就是告诉 ChatGPT 怎么调用你的接口，以及这些接口都能做什么。 那么当用户在使用 ChatGPT 的时候，如果 ChatGPT 认为用户提的某些问题，你的插件能够更好的解决，那么 ChatGPT 就会直接去调用你插件的接口。
https://www.swiftcafe.io/post/openai-api
二、什么是MCP?
MCP（Model Context Protocol） 是大语言模型（LLM）与外部数据源、工具及服务之间的交互的一种通用的开放通信协议。其核心目标是通过统一的接口框架，解决AI模型与真实环境连接不足的问题，使模型能够动态感知上下文并调用多样化工具，从而扩展其功能边界。
三、MCP Server
1、MCP 架构
MCP 协议基于C-S架构，核心组件包括：
- MCP Hosts主机: 像 Claude Desktop、IDE 或 AI 工具这样的程序，它们希望通过 MCP 访问数据
- MCP Clients客户端: 维护与服务器 1:1 连接的协议客户端
- MCP Servers服务器: 每个暴露特定功能的轻量级程序通过标准化的模型上下文协议
- Local Data Sources 本地数据源: 您计算机的文件、数据库和服务，MCP 服务器可以安全地访问
- Remote Services 远程服务: 可以通过互联网（例如，通过 API）访问的外部系统，MCP 服务器可以连接到
MCP通过标准化接口和动态工具发现机制，正在重构AI与工具生态的协作范式。其本质是构建LLM与真实世界的通用适配层，既解决了模型与环境的割裂问题，又降低了开发者的集成成本
2、MCP的通信机制
- 消息格式：基于JSON-RPC 2.0协议，支持请求（双向）、响应、通知（单向）三类消息类型。
- 传输方式：
- 本地通信：通过标准输入输出（stdio）传输，适用于IDE等本地工具集成。
- 远程通信：使用SSE（Server-Sent Events）实现HTTP长连接，支持跨网络服务调用
3、MCP Server的核心功能
3.1、动态工具发现
MCP Server 允许 LLM 运行时动态获取已注册的工具列表（如数据库查询、文件操作等），无需硬编码集成，极大提升灵活性和扩展性。
3.2、权限控制与安全执行
支持细粒度权限管理（开发者/用户/模型层级），并通过沙箱技术（如 Docker、WASM）隔离工具执行环境，保障数据安全。
3.3、资源暴露与工具调用
可安全暴露本地文件、数据库记录或远程 API 服务，供 LLM 通过自然语言指令调用，例如查询 PostgreSQL 数据库或生成 3D 建模指令。
3.4、实时通信与上下文管理
支持双向通信（如 SSE 事件流），实时推送数据更新至 LLM，维持会话状态以优化多轮交互
4、MCP Server的应用
5、MCP 的开发（略）
四、什么是Agent？
Agent（智能体）指能够自主动态感知环境、规划任务并调用外部能力（外部服务、外部工具、数据库、MCP、Function Call等）以实现目标的实体，具备环境交互、决策与学习能力。与普通程序最大的不同，Agent具有环境感知的动态响应能力（如自动驾驶实时避障），而传统程序仅按预设流程执行。Agent可以：
- 可以调用外部服务 （工具、数据库等）
- 具备自主决策能力 ，完成复杂任务
- 可以调用MCP、Function Call等能力
1、Agent 的特征
其核心特征是“自主代理，动态规划”，代替用户或系统完成任务。
- 自主决策：能够根据目标制定计划
- 状态记忆：能够保持上下文连贯性
- 迭代改进: 能够根据反馈动态调整策略
- 情境感知：通过多模态传感器融合（如Tesla的8摄像头+雷达系统）
一般的核心工作流模型为：环境输入 → 感知滤波 → 状态评估 → 策略生成 → 动作执行 → 效果反馈。
2、Agent的形态
根据形态可分为：
- 软件Agent（如聊天机器人、推荐算法）
- 物理Agent（如自动驾驶汽车、工业机器人）
- 混合Agent（如无人机搭载视觉识别系统）
3、Agent的工作时序图
五、Function Call vs MCP vs Agent
Function Call是指大模型直接调用预定义函数的能力，允许模型生成请求参数并整合结果。例如模型可以通过Function Call查询天气或执行简单的数学计算。它的本质是“代码级工具”，通常与模型绑定部署。Agent是一种具备自主决策能力的AI实体，能够感知环境、规划任务并自主调用工具（包括MCP Server和Function Call）完成目标。例如，一个Agent可以接到“撰写AI趋势报告”的任务后，自动抓取数据、分析内容并生成报告。 MCP Server的功能相对单一，专注于提供数据和工具接口的工具箱。例如，它可以抓取网页、读取文件或调用API，但不具备推理能力。
1、复杂度与能力方面
2、 响应方式
3、三者协同
4、功能对比
5、总结
AI Agent 是一个智能系统，它可以自主运行以实现特定目标。传统的 AI 聊天仅提供建议或者需要手动执行任务，AI Agent 则可以分析具体情况，做出决策，并自行采取行动。而AI Agent 可以利用 MCP 提供的功能描述来理解更多的上下文，并在各种平台/服务自动执行任务。如果Agent想要更好地完成任务，一般需要接入足够多的外部工具，而外部工具的接入千差万别；Function Call是大模型本身的一种能力，可以调用外部函数或API以增强大模型能力，但它同样面临着不同开发者自由定义导致的不标准问题；MCP则是给AI应用提供了一套标准化协议，方便AI应用更好地访问外部工具，以提升大模型的响应能力。
参考文档：
https://zhuanlan.zhihu.com/p/28064225853
https://mmssai.com/archives/31934
https://www.woshipm.com/ai/6198952.html
