1-MCP基本介绍与发展 | 晚上十一点睡觉のBlog

1会逐步的介绍AI能力加强的过程

ToolCall技术演进

为了解决Prompt Engineeri在Too调用中的复杂度和准确性问题，Function Call应运而生.

它通过明确的函数定义和参数结构，简化了工具调用流程

Function Call通过]SON对象定义函数及其参数.

例如，“geo_lookup”函数用于检索地理信息，其参数“query”是一个必需的字符串类型字段

实际应用中，用户询问东京人口时，系统将调用“geo_lookup”函数，并返回东京的人口数据约为1400万

优势1：标准化接口与开发效率
- 减少开发复杂性：开发者只需提供函数描述，无需手动解析自然语言，降低了集成成本。
- 统一函数描述规范：Function Call要求明确定义函数名、参数结构、功能描述，确保模型与外部工具的无缝对接。兼容openai function call规范的模型较多，容易更换模型。
优势2：提高准确性

虽然不同厂商的模型function call规范不尽相同，但是由厂商SDK统一将functions描述转换成了和训练微调匹配的prompt,提
升了准确性。

通义千问使用<tool call></tool call> special token标记工具调用的开始和结束，使用<|im start|><|lim end|>标识用户输入的开始和结束。

通过这样的结构化token，模型在训练，时能够学习到如何处理不同的输入类型以及在不同的上下文中响应请求。

这种方法增强了模型的指令遵循能力和多功能性，意图识别和参数提取准确率会大幅提升。

缺陷：
- 标准化进程的不足：function call在不同模型规范依旧有差异，openai并没有让他成为通用化标准。
- 工具可复用性的限制:工具依旧是local tool，无法复用。

Anthropic的MCP——Model Context Protocol,模型上下文协议

MCP旨在为AI应用程序提供一种标准化连接方式，其目标是简化AI模型与不同数据源和工具之间的连接过程。

这种设计让AI应用能够更灵活地适应多种场景。

MCP的功能类似于USB-C端口，提供了一种统一的标准。它使AI模型可以轻松接入各种外围设备和配件。

通过这种方式，MCP促进了AI技术的普及和应用扩展。

工具虽可远程化复用，但并非真正实现“一次编码到处使用”。

生态未覆盖时，仍需适配不同厂商的功能调用接口。这是当前工具复用的实际限制。

传统方式需框架适配LLM和工具重复接入。

现在变为厂商适配MCP协议，工具只需一次性适配。适配负担显著降低且转移至厂商端。

真正实现“一次编码到处使用”依赖厂商接纳MCP协议。协议兼容性是工具跨平台复用的
关键。厂商支持决定工具生态成熟度。

国内外mcp核心厂商支持