前言
自从发布MCP相关文章以来，收到很多小伙伴的私信，我发现大部分人都在问MCP和LLM的Function Call（下文统称为函数调用）到底有什么区别？ 前文如下：
这是一个好问题，至少说明小伙伴们在认真阅读，并深度思考问题， 这个状态很好。另外另外也算是对笔者的鼓励，写东西有人看了ฅʕ•̫͡•ʔฅ 下面笔者尽量用通俗的语言来讲解两者的区别，尽可能全方位展开论述。如有理解不到位的地方欢迎并感谢指正。 开整( •︠ˍ•︡ )
什么是LLM函数调用？
LLM函数调用是指大型语言模型（LLM）根据用户提示生成结构化输出（通常是JSON格式），用于调用外部函数或工具。 比如，当你问“纽约的天气如何？”时，LLM可能会生成一个JSON，告诉应用去调用“获取天气”函数。
什么是MCP？
MCP（模型上下文协议）是一个开放标准，让AI模型与外部工具和服务交互。 它像一个桥梁，AI通过它请求工具执行任务，比如获取天气数据，标准化了交互方式。 其它详细内容这里不赘述，可以看这里： 这里介绍只是为了整体结构的完整性•ɷ•
小结
- LLM函数调用： AI生成调用外部函数的指令，但需要为每个AI和工具单独设置，扩展性有限。
- MCP： 提供统一接口，AI通过MCP服务器访问工具，减少重复设置，更适合大规模使用。
MCP在可扩展性和效率上优于LLM函数调用，当然在世界上没有一个大一统（这也是爱因斯坦毕生的愿望）的东西存在，MCP的发展还需要时间来进化、跃迁。另外在MCP社区还有一个讨论比较热的点即：MCP与现有系统的兼容性如何发展。
其实从上面LLM函数调用与MCP简介中的“获取天气数据”例子，应该能找到大概感觉了。
详细说明
LLM函数调用
LLM函数调用是指LLM生成结构化输出（通常是JSON格式）的能力，这些输出可用于调用外部函数或工具。例如，当用户询问“纽约的天气如何？”时，LLM可能会生成如下JSON：
{"function": "get_weather","parameters": {"location": "北京"}}
应用然后会解析此输出并执行get_weather函数，返回天气数据。其目的是使LLM能够执行需要外部数据或功能的任务，如检索实时信息或与业务系统交互。
从搜索结果来看，LLM函数调用是许多AI模型（如OpenAI的GPT模型）的常见功能，特别是在构建聊天机器人或代理时。例如，Function Calling with LLMs （https://www.promptingguide.ai/applications/function_calling）详细说明了如何通过微调LLM来检测何时需要调用函数，并输出包含参数的JSON。
MCP的定义与用途
MCP是由Anthropic在2024年11月引入的开放标准协议，旨在为AI模型提供与外部工具、数据源和服务的标准化交互方式。它通过客户端-服务器架构工作：AI模型（客户端）向MCP服务器发送请求，服务器处理与特定工具或数据源的交互。例如，对于相同的天气查询，LLM可能会生成：
{"jsonrpc": "2.0","id": 1,"method": "tools/call", // 调用工具"params": {"name": "get_weather","arguments": {"location": "北京"}}}}
此请求发送到MCP服务器，服务器执行get_weather函数并以标准化格式返回结果。MCP的目的是解决AI集成的难题，提供通用接口，使开发者无需为每个工具编写自定义代码。例如，Introducing the Model Context Protocol（https://www.anthropic.com/news/model-context-protocol）强调了MCP如何帮助前沿模型产生更相关、更准确的响应。
详细比较
以下表格总结了MCP和LLM函数调用的关键区别：
| 方面 | LLM函数调用 | MCP（模型上下文协议） |
|---|---|---|
| 焦点 | 使LLM能够生成用于调用外部函数的结构化输出。 | 提供标准化框架，执行这些函数调用，确保与不同工具和服务的兼容性。 |
| 标准化 | 可能需要为每个工具或服务编写自定义实现。 | 提供通用标准，允许与任何MCP兼容服务器的即插即用集成。 |
| 可扩展性 | 扩展到多个工具可能需要为每个集成编写自定义代码。 | 允许LLM通过连接不同MCP服务器使用广泛的工具，无需为每个工具编写自定义代码。 |
| 角色与集成 | 应用必须同时处理生成函数调用和执行，耦合度较高。 | 分离关注点：LLM生成调用，MCP服务器处理执行，使系统更模块化。 |
| 兼容性 | 可能特定于某些模型或框架（如OpenAI的GPT模型）。 | 设计为模型无关，任何支持协议的AI模型都可以使用任何MCP服务器。 |
| 复杂性 | 需要为每个LLM应用定义函数，可能较为繁琐。 | 通过将函数定义与LLM应用分离，简化集成，增强可重用性。 |
| 使用案例 | 适合基本工具集成，但对于复杂、多工具系统扩展性较差。 | 适合构建可扩展的集成AI系统，提供标准化工具访问。 |
为什么MCP被视为LLM函数调用的进步
MCP在LLM函数调用的基础上引入了标准化和模块化，使集成更加高效。例如，What's MCP all about? Comparing MCP with LLM function calling （https://neon.tech/blog/mcp-vs-llm-function-calling）指出，MCP服务器充当AI应用与第三方服务之间的桥梁，暴露函数通过标准化协议，任何MCP兼容的LLM都可以访问。这减少了开发工作量，并促进了社区采用，如GitHub、Slack等关键数据存储已开始支持MCP。
此外，MCP的客户端-服务器架构使开发者可以创建或使用现有的MCP服务器，增强了可扩展性和可重用性。例如，A Deep Dive Into MCP and the Future of AI Tooling（https://a16z.com/a-deep-dive-into-mcp-and-the-future-of-ai-tooling/）讨论了MCP如何改变AI与工具的交互方式，使开发者能够构建更强大的AI代理。
当前争议与未来展望
尽管MCP被视为进步，但其作为较新标准的采用和与现有框架（如LangChain）的兼容性仍存在争议。例如，Function-Calling vs. Model Context Protocol (MCP): Choosing the Right Approach for LLM Integration （https://www.runloop.ai/blog/function-calling-vs-model-context-protocol-mcp）指出，MCP的广泛采用可能需要时间，特别是对于依赖传统函数调用的现有系统。
自2025年起，MCP正迅速获得关注，特别是在AI社区中，但其长期影响仍需观察。研究表明，结合使用LLM函数调用和MCP可以创建更高效、可扩展的AI驱动软件自动化系统。
最后
总之，MCP和LLM函数调用的区别在于它们的角色：LLM函数调用使模型能够请求外部操作，而MCP提供标准化框架来高效、可扩展地履行这些请求。通过使用MCP，开发者可以构建更集成的AI应用，无需为每个工具编写自定义代码，这在AI工具领域是一个重大进步。 在MCP和LLM函数调用使用上的选择，笔者觉得MCP具有跟高的扩展项，能让项目的可能性更大。
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
