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

   。例如，MCP Server 可统一 GitHub API 的调用方式，而无需为每个 LLM 单独适配

2. ​Agent 的进阶能力
   Agent 通过整合 MCP 和 Function Calling，实现更高阶的自主性。例如，医疗 Agent 可调用 MCP 服务器获取患者数据，再通过 Function Calling 执行诊断建议

3. ​技术演进趋势

   • ​MCP 可能成为 LLM 工具调用的行业标准，推动跨平台协作。
   • ​Function Calling 将向更轻量化、低代码方向发展。
   • ​Agent 将结合多模态和强化学习，向拟人化、专业化演进

 

functioncalling的执行过程