一文探究MCP & Func Call

LLMs的函数调用和MCP

在 MCP 成为主流（或像现在这样流行）之前，大多数 AI 工作流都依赖于传统的函数调用。

现在，MCP（模型上下文协议）正在为开发人员构建代理程序构建工具访问和编排的方式发生转变。

这是一个解释函数调用和MCP的视觉效果：

让我们深入了解一下！

什么是函数调用？

函数调用是一种机制，它允许 LLM 根据用户的输入识别它需要什么工具以及何时调用它。

以下是它通常的工作原理：

• LLM 收到来自用户的提示。
• LLM 决定它需要的工具。
• 程序员实现过程以接受来自 LLM 的工具调用请求并准备函数调用。
• 函数调用（带参数）将传递给将处理实际执行的后端服务。

让我们快速了解一下！

首先，我们定义一个工具函数get_stock_price。它使用yfinancelibrary 获取指定股票代码的最新收盘价：

接下来，我们提示一个 LLM（与 Ollama 一起提供）并传递模型可以访问的外部信息工具（如果需要）：

打印response，我们得到：

请注意，message键responseobject 具有tool_calls，其中包括相关详细信息，例如：

• tool.function.name：要调用的工具的名称。
• tool.function.arguments：工具所需的参数。

因此，我们可以利用此信息来生成响应，如下所示：

这将生成以下输出：

请注意，整个过程发生在我们的应用程序上下文中。我们负责：

• 托管和维护工具/API。
• 实现一个逻辑来确定应该调用哪些工具及其参数是什么。
• 处理工具执行并在需要时进行缩放。
• 管理身份验证和错误处理。

简而言之，Function Calling 就是在您自己的堆栈中启用动态工具使用，但它仍然需要您手动连接所有内容。

什么是 MCP？

MCP（即模型上下文协议）试图标准化此过程。

函数调用侧重于模型想要做什么，而 MCP 侧重于如何使工具可被发现和可消费，尤其是在多个代理、模型或平台之间。

MCP 不是在每个应用程序或代理中硬连接工具，而是：

• 标准化了工具的定义、托管和向 LLM 公开的方式。
• 使 LLM 能够轻松发现可用工具、了解其架构并使用它们。
• 在调用工具之前提供审批和审计工作流程。
• 将工具实施的关注与消费分开。

让我们通过集成来真正快速地了解这一点Firecrawl 的 MCP 服务器利用 Cursor IDE 中的抓取工具。

为此，请转到 MCP → 设置 → 添加新的全局 MCP 服务器。

在 JSON 文件中，添加如下所示👇的内容

完成后，您将找到 Firecrawl 的 MCP 服务器公开的所有工具，您的代理可以使用！

请注意，我们没有编写一行 Python 代码来集成 Firecrawl 的工具。相反，我们只是集成了 MCP 服务器。

• 它识别了 MCP 工具 （scraper）。
• 准备 input 参数。
• 已调用抓取工具。
• 已使用该工具的输出生成响应。

所以换句话说，将 MCP 视为基础设施。

它创建了一个共享生态系统，其中工具被视为标准化服务，类似于 REST API 或 gRPC 端点在传统软件工程中的工作方式。

结尾

• MCP 和 Function Calling 并不冲突。它们是同一工作流程的两个方面。
• Function Calling 则更像是一种让 LLM 具备 "调用外部函数" 能力的机制，将实际的 API 调用和数据处理的责任交给应用程序。这种方式可以更直接地将 LLM 的智能与现有应用程序的功能相结合。
• MCP 似乎更侧重于构建一个由 LLM 控制的、能够协调多个外部工具的更复杂的系统。它通过引入中间层来解耦 LLM 和具体的 API 交互。

如果对你有帮助, 请关注作者, 了解更多前沿技术。

声明: 此文章为转译文章, 部分内容为作者补充, 以帮助更多人来学习。

本文由mdnice多平台发布