MCP浅析

2025年6月5日 · 980 字

为什么会有MCP

大模型天生具有的短板

  • 基于之前的数据训练，例如GPT3.5发布于2022.11，现在问他明天的天气是不知道的
  • 计算上容易出问题：9.11 > 9.9 因为它本质上是一个概率语言模型
  • 解决思路：把天气，计算器等"外设"接入到模型上

Function Call的出现

2023.6.13，OpenAI把**function calling **放入了GPT-4 API

Function calling是大模型与外部工具/程序交互的一种能力。

Function Calling工作流程图

工作流程（以天气预测为例）

  • 模型接收到query
  • 模型输出JSON{"name":"get_weather","city":"Shanghai"}
  • 后端调用API
  • 结果返回给模型，模型加工后生成进一步回答

编写Function Calling函数工作量很大，为了让大模型去理解，需要用Json Schema格式去编写功能说明，并需要设计提示词模板。同时，不同平台的Function call API实现差异大，限制了交互的可能性

为什么有了Function Call还会有MCP

解决局限性

MCP 的引入是为了解决 Function Calling 的局限性，具体原因如下：

  • 处理复杂任务：
    • Function Calling 适合单一、明确的工具调用，但对于需要多步骤推理或动态调整的任务（如规划行程、调试代码、自动化工作流），显得不足。MCP 允许模型像"程序员"一样，自主设计和执行多步骤流程。
  • 动态决策能力：
    • Function Calling 依赖静态的函数定义和提示词模板，缺乏灵活性。MCP 让模型可以根据上下文和中间结果动态选择工具或调整策略，类似于人类解决问题的思维过程。
  • 减少人工干预：
    • 在 Function Calling 中，开发者需要详细定义每个函数的签名和提示词，MCP 则将部分决策权交给模型，减少人工设计的负担，提高开发效率。
  • 支持复杂交互：
    • MCP 适合需要多次工具调用、条件分支或循环的场景。例如，模型可能需要先查询数据库、根据结果调用 API、再对数据进行处理，MCP 能让模型自主管理这一过程。
  • 更接近通用智能：
    • MCP 是向通用人工智能（AGI）迈进的一步，它让模型不仅仅是"回答问题"或"调用函数"，而是能够像人类一样规划和执行复杂任务。

统一规范

MCP统一了Function Calling的运行规范：

  • 统一名称：大模型运行环境被称为MCP Client，外部的函数运行环境称作MCP Server
  • 统一了MCP客户端和服务器的运行规范，并且要求客户端和服务器之间按照某个既定的提示词模板进行通信

MCP架构图

使用MCP的好处在于可以避免外部函数重复编写，也不需要在函数之间写额外的glue code。通用的需求只需要开发一个MCP Server即可，开发者无需关心Host和Client的细节，只需专注开发对应的服务端

MCP Server开发流程图

MCP工作原理示意图

MCP工作流程

当用户提出一个问题时：

  1. 客户端将问题发送给模型
  2. 模型分析可用的工具，并决定选用哪些
  3. 客户端通过MCP Server执行所选的工具
  4. 工具的执行结果返回给模型
  5. 模型结合执行结果构造最终的prompt并生成自然语言的回应
  6. 回应显示给用户

模型如何确定具体选择哪些工具呢？是否会出现幻觉呢