MCP 和 Function Calling：示例

Wed, 16 Apr 2025 18:48:00 +0800

在上一篇《MCP 和 Function Calling：概念》中简单介绍了 MCP 和 Function Calling 的基础概念和执行逻辑。

本文以实际例子来加深对 MCP 和 Function Calling 的理解。

实现这样一个场景：和大模型聊天，然后让大模型将回答的内容保存到 flomo 笔记中。

Function Calling

我们知道 Function Calling 和模型的能力有关，我使用的是 qwen2.5:7b 模型，使用 ollama 在本地运行。

思路

1、写一个 api 接口，这个接口的作用就是将输入的值存入 flomo 笔记中。

2、利用 qwen-agent 框架，来实现 function calling ，最终调用自定义开发的 api 接口。

实现

1、api 接口使用任何语言都行，我这里使用的是 python 的 flask 框架。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64


@api_bp.route('/flomo/save', methods=['POST'])
def save_to_flomo():
 # 获取请求数据
 data = request.get_json()

 # 验证请求数据
 if not data or 'content' not in data:
 return jsonify({"error": "Missing required field: content"}), 400

 content = data['content']
 tags = data.get('tags', []) # 可选的标签列表

 # 验证Flomo API URL是否配置
 flomo_api_url = current_app.config.get('FLOMO_API_URL')
 if not flomo_api_url:
 return jsonify({"error": "Flomo API URL not configured"}), 500

 try:
 # 准备发送到Flomo的数据
 flomo_data = {
 "content": content
 }

 # 如果有标签，添加到内容中
 if tags:
 # Flomo使用 #tag 格式的标签
 tag_text = ' '.join([f"#{tag}" for tag in tags])
 flomo_data["content"] = f"{content}\n\n{tag_text}"

 # 发送请求到Flomo API
 headers = {
 'Content-Type': 'application/json'
 }

 response = requests.post(
 flomo_api_url,
 headers=headers,
 data=json.dumps(flomo_data),
 timeout=10 # 设置超时时间，处理大文本可能需要更长时间
 )

 # 检查响应
 if response.status_code == 200:
 return jsonify({
 "message": "Content successfully saved to Flomo",
 "flomo_response": response.json()
 }), 200
 else:
 return jsonify({
 "error": "Failed to save to Flomo",
 "status_code": response.status_code,
 "response": response.text
 }), 500

 except requests.RequestException as e:
 # 处理请求异常
 return jsonify({
 "error": f"Request to Flomo failed: {str(e)}"
 }), 500
 except Exception as e:
 # 处理其他异常
 return jsonify({
 "error": f"Unexpected error: {str(e)}"
 }), 500

2、创建一个 qwen-client.py 的文件，内容如下：

MCP 和 Function Calling：概念

Mon, 31 Mar 2025 16:45:00 +0800

随着人工智能的快速发展，大型语言模型（LLMs）逐渐深入到我们生活与工作的各个方面。然而，尽管模型强大，但其能力仍存在局限性，比如在实时信息获取和复杂任务执行方面仍有不足。

RAG（检索增强生成）现在在企业的 AI 应用中使用很广泛，就是为了解决模型的信息不够实时，且没有垂直领域知识的问题。

RAG 虽然厉害，但主要还是应用在智能知识问答领域，大模型想要有更强的能力，就需要有效、安全地与外界进行互动，这就诞生了 Function Calling 和 MCP 。

Function Calling 依赖大模型的能力，MCP 是一种通用协议。

本文从概念层面谈谈 Function Calling 和 MCP ，下一篇写几个代码例子。

Function Calling（函数调用）介绍

概念

Function Calling 是特定大模型（如 OpenAI 的 GPT-4、Qwen2 等）提供的一种机制，使模型能够主动生成结构化输出，以调用外部系统中预定义的函数或 API。

执行流程

通常我们说大模型调用 API，但这种说法并不完全准确，执行过程如下图：

0、Agent 程序是我们开发的 AI 程序，在程序中会预先向大模型注册外部函数接口（建议不超过 20 个）。

1、用户通过自然语言发起请求，Agent 接收到请求。

2、Agent 程序将用户请求提交给大模型，模型首先解析语义并评估是否需要调用外部工具。

3、模型如果判断需要调用函数，将生成包含工具 ID 和输入参数的调用指令，并返回给 Agent 程序。

4、Agent 程序接收到模型返回的调用指令后，执行对工具函数的调用。

5、工具函数执行后将结果返回给 Agent 程序。

6、Agent 程序将函数返回的结果和自定义提示词一起反馈给大模型。

7、大模型融合工具返回的数据与原始上下文，生成最终结果，并返回给 Agent 。

8、Agent 程序将结果输出呈现给终端用户。

特点

1、主动调用：模型能够识别用户的自然语言意图，决定是否调用工具，并生成调用指令。

2、实时反馈：模型生成的函数调用指令，由 Agent 程序执行后，再次反馈给模型，使模型生成实时和精准的回应。

3、具体实现灵活：没有严格的标准通信协议要求，通信格式取决于具体模型厂商。这是个特点，也是个弊端。

MCP（Model Context Protocol）介绍

概念

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 公司在 2024 年 11 月推出的一种标准协议。它的目的是给 AI 模型（如大语言模型）和外部数据源或工具之间建立起统一的通信接口。

可以简单类比为 AI 的 USB 接口，无论是 AI 模型还是外部工具，只要符合 MCP 标准，就可以实现快速“即插即用”的连接，不需要为每个工具单独编写接口程序。也没有变成语言的限制，就像前后端分离后，基于 WebAPI 的规范就可以，什么语言都能写接口。

现在 OpenAI 也支持了 MCP 。

特点

1、开放性：MCP 是开放标准，任何开发者或服务商均可基于此协议开发 API，避免重复造轮子，推动生态共建，目前已有大量 MCP 集合站（如：https://mcp.so）。

2、标准化：采用 JSON-RPC 2.0 标准通信，确保交互统一、高效。

MCP on 冯威的博客