前言

在了解**Model Context Protocol(MCP)**前，首先需要先了解function calling，一般也理解為Tool Use。

為什么會有function calling？

大模型有幾個問題：

1）沒有最新的信息，因為訓練的數據是某個時間點之前的，屬于歷史數據。

2）沒有真正的邏輯能力，因為大模型返回的結果是基于訓練數據的統計規律和概率匹配，而非嚴格的邏輯推理或形式化證明，即使加上了Jason Wei大佬提出的 ?鏈式思維（Chain of Thought，CoT?） 將大問題拆成小問題，以一定的邏輯順序解決問題，但實質還是數據驅動的模式匹配，而非真正的認知推理。對于復雜的數學邏輯問題還是較為吃力。

3）大模型沒與真實世界溝通的橋梁，就像人腦沒有雙手只能思考不能辦事。

基于上述的一些問題，業內提出了Function Calling的概念，緩解了上述的問題，比如通過Function Calling訪問最新的數據和私有的數據，為解決復雜的數據邏輯計算，可以通過tools use去調用專業的數學庫，因為打通了和現實世界溝通的橋梁，大模型能做很多實際的現實工作。Function Calling的大體工作邏輯如下圖：

一些說明

1，首先會開發好一個外部可調用的API function，這個服務可以是做Math復雜數據計算的工具，或是具體的業務操作，或是外部的最新數據源訪問等等能力。

2，這個function會定義為一個Tool，然后會有Prompt提示詞一起注冊到大模型中，讓模型明白這個Tool是干啥的。

3，用戶發起調用后，大模型按用戶的要求選擇function，并按情況填充function的參數請求API返回結果。

4，在大模型獲得function返回的結果后，按提示詞渲染和組裝結果返回給用戶。

這里會有一個問題，那就是不同的功能，不同的場景需要按情況開發不同的function，每個開發者或組織都會有自己的function，不一樣的規劃不一樣的格式。因此，MCP的主要目的就是這個，統一協議，統一標準。 官方文檔說明如下：

Think of MCP like a USB-C port for AI applications. Just as USB-C provides a standardized way to connect your devices to various peripherals and accessories,
MCP provides a standardized way to connect AI models to different data sources and tools.

關鍵字： like a USB-C （不能每個手機廠商都自己的接口吧~）， standardized（標準化的；規范化的） 。簡言之，MCP是給function calling提供的一種標準化和規劃化的協議。

MCP技術是什么

上文已經說的很清楚了，MCP是給function call提供的一種標準化和規劃化的協議。下面是官方MCP架構的圖片：

一些說明

1，不需要理解太復雜，主要注意三個元語：Tool（工具），Resource（資源），Prompt（提示模板）。

Tool（工具）：允許服務器公開可執行的函數，這些函數可由客戶端調用并由 LLM 使用來執行操作。使服務器能夠向客戶端暴露可執行的功能。通過工具，LLM 可以與外部系統交互、執行計算并在現實世界中采取行動。

Resource（資源）：服務器提供給客戶端的任何類型的只讀數據。包括不限于：文件內容、數據庫記錄、圖片、日志等等。

Prompt（提示模板）：這個才開始有點難理解，其實就是動態提示詞，可以通過外部給AI模型溝通的“導航儀”，告訴模型“做什么”，明確“如何做”，確保輸出更精準。

2，?理解了MCP之前的RAG（Retrieval-Augmented Generation檢索增強生成）技術，Tool Use等需要和大模型交互的功能均統一可以使用MCP對接，而不需要單獨的能力?。

3，上圖的有些術語，MCP 客戶端（MCP Clients），MCP 服務器（MCP Servers），本地資源（Local Resources），遠程資源（Remote Resources）。

MCP 客戶端（MCP Clients）：發起請求的AI應用程序，比如聊天機器人，Agent。

MCP 服務器（MCP Servers）：為 MCP客戶端提供Tools，Resource和Prompt的服務。

本地資源（Local Resources）：可供 MCP 服務器安全訪問的資源，如文件，數據庫。

遠程資源（Remote Resources）：MCP 服務器可以連接到的遠程資源，如通過API提供的數據，比如天氣，股票，新聞熱點。

Demo實現

官方文檔提供了Python ，Typescript，Java，kotlin這4中語音的SDK。這里使用大家比較熟悉的Java Spring AI MCP簡單試用下Tools能力。

代碼

詳細例子可以查看SpringAI MCP 官方文檔 。首先要求JDK版本至少為17。

# 1，maven依賴
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-bom</artifactId>
    <version>${spring-ai.version}</version>
    <type>pom</type>
    <scope>import</scope>
</dependency>
 
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-mcp-server-webmvc-spring-boot-starter</artifactId>
</dependency>
 
# 2，初始化
@SpringBootApplication
public class McpserverApplication {
 
    public static void main(String[] args) {
        SpringApplication.run(McpserverApplication.class, args);
    }
 
    @Bean
    public ToolCallbackProvider wechatTools(WeChatService weChatService,EmailService emailService) {
        return MethodToolCallbackProvider.builder().toolObjects(weChatService,emailService).build();
    }
 
    public record TextInput(String input) {
    }
 
    @Bean
    public ToolCallback toUpperCase() {
        return FunctionToolCallback.builder("toUpperCase", (TextInput input) -> input.input().toUpperCase())
                .inputType(TextInput.class)
                .description("Put the text to upper case")
                .build();
    }
}
 
# 3，開發Tools
 
//--郵件Tool
@Service
public class EmailService {
 
    @Resource
    private EmailConfig emailConfig;
 
    @Tool(description = "使用郵件工具給target發送郵件")
    public String postEmailMsg(@ToolParam(description = "target目標郵箱") String target,
                               @ToolParam(description = "發送內容") String content) {
        List<String> to = new ArrayList<>();
        to.add(target);
        String subject = "AI MCP郵箱測試";
        boolean flag = EmailUtils.send(emailConfig, to, subject, content,
                emailConfig.getContentType(), null);
        System.out.println("郵箱發送結果flag=" + flag + "\n,target=" + target + "\n,content=" + content);
        return "send email result:" + flag;
    }
}
 
//--企微機器人Tool
@Service
public class WeChatService {
 
    @Value("${wechat.reboot.url}")
    private String wechatRebootUrl;
 
    @Tool(description = "給微信群推送內容為content的消息")
    public String postWeChatMsg(@ToolParam String content) {
 
        RestClient restClient = RestClient.create();
 
        Map<String, Object> requestBody = new HashMap<>();
        requestBody.put("msgtype", "text");
 
        Map<String, Object> contentBody = new HashMap<>();
        contentBody.put("content", content);
        requestBody.put("text", contentBody);
 
        // 發送 POST 請求
        var responseTmp = restClient.post()
                .uri(wechatRebootUrl)
                .header(Headers.CONTENT_TYPE, MediaType.APPLICATION_JSON_VALUE)
                .body(requestBody).retrieve();
 
        System.out.println("wechat發送結果" + responseTmp.toString());
        return responseTmp.toString();
    }
}
 
 
# 4，配置文件
server.port=8113
 
# Server identification
spring.ai.mcp.server.name=aiagent-demo-server
spring.ai.mcp.server.version=0.0.1
 
# Server type (SYNC/ASYNC)
spring.ai.mcp.server.type=SYNC
 
# mcp有兩種通訊方式stdio（內部進程通訊）和Server-Sent Events (SSE 服務器發送事件)，
spring.ai.mcp.server.stdio=false
spring.ai.mcp.server.sse-message-endpoint=/mcp/message
spring.ai.mcp.server.enabled=true
 
# Change notifications
spring.ai.mcp.server.resource-change-notification=true
spring.ai.mcp.server.tool-change-notification=true
spring.ai.mcp.server.prompt-change-notification=true
 
# Logging (required for STDIO transport)
spring.main.banner-mode=off
logging.file.name=../logs/server.log
 
# 5，啟動服務

測試

client調用

客戶端調用代碼同樣使用SpringAI，較為簡單，具體參考官方文檔例子。

# 1,maven依賴
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId>
</dependency>
 
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
</dependency>
 
# 2，初始化
@SpringBootApplication
public class McpclientApplication {
 
    public static void main(String[] args) {
        SpringApplication.run(McpclientApplication.class, args);
    }
 
    @Value("${ai.user.input}")
    private String userInput;
 
    @Bean
    public CommandLineRunner predefinedQuestions(ChatClient.Builder chatClientBuilder, ToolCallbackProvider tools,
                                                 ConfigurableApplicationContext context) {
        return args -> {
            var chatClient = chatClientBuilder
                    .defaultTools(tools)
                    .build();
            System.out.println("\n>>> QUESTION: " + userInput);
            System.out.println("\n>>> ASSISTANT: " + chatClient.prompt(userInput).call().content());
            context.close();
        };
    }
}
 
# 3，配置文件
server.port=8114
 
spring.main.web-application-type=none
 
spring.ai.ollama.base-url=${ollama服務的IP}:11434
spring.ai.ollama.chat.options.model=qwen2.5:14b
spring.ai.ollama.chat.options.temperature=0.7
 
spring.ai.mcp.client.sse.connections.server1.url=${mcp server的IP}:8113
 
ai.user.input=簡單說明下RAG結束并發送到郵箱xxx@chinatelecom.cn
 
# 4，啟動服務

結果

Langflow

Langflow需要配置MCP sse的Tool組件，如圖：

Dify

Dify需要安裝MCP sse的Tool，且要求版本在1.0.0+以上。如圖

總結

0，MCP源于function calling。

1，?MCP是給function calling提供的一種標準化和規劃化的協議。統一協議，統一標準。大模型的實際觸發還是走的function calling?。

2，MCP需要注意三個元語：?**Tool（工具），Resource（資源），Prompt（提示模板）**?。

3，MCP社區開發了大量統一的MCP Server，不過MCP概念尚未普及，主流的開放平臺還未兼容MCP協議，需要自己包裝和開發。