简介: 函数调用让模型“能调用”工具,模型上下文协议则让工具“可被”任何兼容的AI客户端接入。本文从架构形态、发现机制、接入成本、能力范围、安全边界、运维方式和成本结构等方面对比两者,指出优劣分别来自哪些技术差异,并给出条件化的选型判断与迁移注意事项,帮助读者在AI应用中决定何时使用函数调用、何时引入协议层。
在生成式AI应用中,大模型本身只能生成文本,不能查询实时数据,也不能操作外部系统。要让AI“做事”,就必须把天气查询、数据库访问、代码托管平台操作等外部能力接入模型。围绕“如何接入”,业界形成了两条主流路径。本文对比的就是这两条路径:函数调用(Function Calling,以下简称 FC)与模型上下文协议(Model Context Protocol,以下简称 MCP)。
FC是模型的一种输出能力,属于应用内部机制。 开发者把工具的名称、用途和参数结构描述随请求提交给模型。模型判断需要调用时,会输出一段结构化的调用请求(工具名加参数)。应用解析后执行对应的本地函数,再把执行结果追加到对话上下文,交给模型生成最终回答。模型始终不直接接触工具代码,FC规范的是“模型如何表达调用意图、应用如何回应”。
MCP是一套连接规范,用于解耦AI应用与工具提供方。 它由业界机构提出,以开放规范的形式发布。MCP定义了AI应用一侧的客户端与工具提供方一侧的服务器之间的通信方式,涉及能力声明、能力发现、调用请求与结果回传等环节,具体细节以其官方规范为准。工具提供方可以是本地启动的子进程,也可以是可通过网络访问的远程服务。
两者的关系可以这样概括:
二者并不互斥:兼容MCP的客户端,仍需在内部完成模型调用意图到协议调用的转换。很多团队会把MCP封装好的能力作为“工具清单”提供给模型,再沿用FC的交互流程。因此,更准确的提问不是“谁取代谁”,而是“在哪个环节引入协议标准更划算”。
一个常见的类比是:FC像应用自己写好的一个函数库,MCP则像为能力提供方定义的标准化通用接口,任何兼容该接口的宿主应用都可以接入。
FC的实现完全位于应用进程内。工具是本地函数,应用掌控整个调用链,执行路径只有一次进程内调用。
MCP的能力提供方通常是独立进程或服务,与宿主应用之间隔着进程或网络边界。协议负责报文的组织、传输与解析;如果走网络传输,还要额外处理连接管理、传输方式选择和序列化开销。通信链路越长,模型输出、工具定义和协议规范不一致导致解析失败的概率就越高。
典型的MCP宿主架构可分为四层:
差异的实质在于控制点位置:FC的控制点在应用代码里,MCP的控制点在协议规范与能力提供方实现中。
| 环节 | FC | MCP |
|---|---|---|
| 能力注册 | 代码中静态声明 | 服务器启动时声明并暴露 |
| 客户端获知能力 | 由应用决定提交哪份工具清单 | 连接建立后向服务器查询可用能力 |
| 变更生效 | 修改代码并重新发布应用 | 通常随服务器更新或重新连接即可生效,具体取决于客户端实现 |
| 新增一个工具 | 实现函数 + 更新定义 + 更新分发表 + 发布应用 | 在服务器内增加能力声明与实现 |
动态发现的价值在“多应用、多工具”时才能体现。当天气、地图、数据库、文档等多个能力分别由不同团队或不同服务维护,而宿主应用又不止一个时,动态发现可以避免每个应用维护一份手工工具清单,以及反复发布。
FC的投入集中在“每个工具 × 每个应用”的组合上。 具体工作包括:
这套模式在工具少、变化慢时很高效,不需要额外部署任何中间件。但应用与工具强耦合,改造量会随组合数量近似成倍增长。
MCP把投入前移到“能力提供方 + 协议客户端”两个共享层。 一个工具只在服务器侧实现一次,所有兼容该协议的宿主应用都能接入。宿主侧需要承担连接管理、能力发现、调用转换和结果整理等通用逻辑,这部分代码基本可以复用。
短期看,MCP需要额外部署和运维一个服务进程,前期投入更高;随着接入的能力数量增加,增量投入主要来自服务器侧的新增工具。
FC的能力基本限定在“函数调用”这一种交互形式。它能扩展的无非是参数结构、并行调用和结果格式。
MCP的定位是上下文集成协议,除工具调用外,业界实现中还常见资源读取、提示模板等能力类别。不同能力在版本间会有调整与演进。因此,MCP带来的不只是一套新的调用方式,而是把模型所需的上下文来源也纳入了统一管理。这会提高接入的灵活度,也意味着宿主应用和服务器都需关注版本兼容问题。
FC中的工具运行在应用自己的进程里,权限边界与宿主应用一致,不需要额外做身份认证。但这把“信任边界”内嵌了:
MCP把工具放到独立服务中,边界天然显式化,也因此必须在协议层补上宿主与服务器之间的身份认证与授权。业界在远程调用场景中普遍引入标准授权流程,让调用方携带受限令牌访问指定能力,服务器侧据此做权限校验。这带来了更细的权限控制能力,比如只读数据访问与写操作分权、按租户隔离;代价是需要额外设计和维护认证、授权体系。
两种范式都面临提示注入风险:模型可能把外部数据中夹带的恶意指令当成命令,诱导调用工具。工具越强、权限越大,防护要求越高。
FC的运维与宿主应用重合,日志、指标和告警都在同一套体系内,链路追踪容易做到端到端。
MCP引入了独立服务进程,运维对象增加:需要监控服务器是否存活、连接是否中断、调用是否超时,还要做容量规划和版本升级管理。如果服务器按工具域拆分成多个实例,还要处理实例注册、服务发现和负载分配。可观测性方面,一次调用横跨宿主、客户端、服务器和后端系统,需要统一的请求标识贯穿日志,否则故障定位成本会明显上升。
抛开具体价格,两者的成本结构不同:
判断哪种更经济,关键看工具数量、复用范围和变更频率。
FC已经是主流大模型普遍支持的通用能力,文档、调试工具和社区经验相对成熟。MCP出现较晚,规范与客户端实现仍在快速演进,不同客户端对同一能力的支持程度可能不一致,跨版本兼容需要主动测试。此外,并非所有模型服务都原生支持任意工具调用格式,接入前应确认目标模型与宿主平台的支持情况。
| 对比维度 | 函数调用(FC) | 模型上下文协议(MCP) |
|---|---|---|
| 定位 | 模型输出结构化调用请求的能力 | 宿主与能力提供方之间的集成协议 |
| 控制点 | 应用代码内部 | 协议规范与能力提供方实现 |
| 运行形态 | 进程内函数 | 独立本地进程或远程服务 |
| 能力发现 | 应用静态声明工具清单 | 客户端向服务器动态查询 |
| 新增工具改动 | 函数、定义、分发、发布 | 主要在服务器侧增加能力 |
| 复用方式 | 按“应用 × 工具”分别接入 | 一个服务器可被多个宿主复用 |
| 能力范围 | 主要是函数调用 | 工具调用、资源、提示模板等(视规范版本与实现而定) |
| 安全边界 | 内嵌在宿主权限内 | 显式边界,需认证授权与权限收敛 |
| 运维对象 | 宿主应用本身 | 增加服务器、连接、跨进程链路 |
| 前期投入 | 较低,无需额外部署 | 较高,需建设与维护服务侧体系 |
| 规模扩张后成本 | 组合增多时重复投入上升 | 复用范围越大,边际成本越低 |
| 典型适合 | 单一应用、工具少且稳定 | 多应用共享、工具由不同团队维护 |
优先函数调用的场景
优先考虑MCP的场景
混合使用的场景
实际系统往往两者并存:
选型没有绝对答案,可以按以下条件化方式判断:
从FC迁移到MCP,或两者并行使用时,以下风险需要提前评估:
函数调用与模型上下文协议处在不同的抽象层次。前者是模型与宿主之间的调用约定,解决了“模型如何表达意图”;后者是宿主与能力提供方之间的连接规范,解决了“能力如何被统一接入和复用”。
选择的关键不在于哪个“更先进”,而在于复用范围、权限要求和运维能力是否匹配。工具少、应用单一、与业务强耦合时,函数调用往往更直接高效;当能力需要跨应用共享、由不同团队维护、或需要明确的权限边界时,引入MCP通常能降低长期的集成成本。
随着AI应用从单一助手走向多宿主、多工具的智能体生态,理解协议层的价值,并在恰当时机完成从函数调用到标准化接入的演进,是生成式AI应用架构设计中的重要一环。