前置概念

Function Calling（函数调用）

Function Calling由OpenAI等公司推动，允许大语言模型与外部工具连接，将自然语言转换为API调用。这解决了大模型在训练结束，就知识更新停滞的问题。

通过调用外部工具和服务，Function Calling帮助大模型解决了比如今天温度多少度，今天的大盘收盘点数是多少之类的实时性问题。

Function Calling的工作原理可以通过以下几个简单步骤来理解：

以天气查询为例，Function Calling的工作流程大致如下：

第一步，识别需求 ：这是一个关于实时天气的问题，需要调用外部天气API。

第二步，选择函数 ：从可用函数中选择get_current_weather函数。

第三步，准备参数 ：

{
  "location": "北京",
  "unit": "celsius"
}

第四步，调用函数 ：系统使用这些参数调用实际的天气API，获取北京的实时天气数据。

第五步，整合回答 ： "根据最新数据，北京今天的天气晴朗，当前温度23°C，湿度45%，微风。今天的最高温度预计为26°C，最低温度为18°C。"

对开发者来说，使用LLM的Function Calling起步相对容易，只需按照API要求定义函数规格（通常JSON模式）并将其随请求发送，模型就可能按照需要调用这些函数，逻辑较直观。

因此，对于单一模型、少量功能的简单应用，Function Calling 实现起来非常直接，几乎“一键”将模型输出对接到代码逻辑中。

然而，它的局限在于缺乏跨模型的一致性：每个LLM供应商的接口格式略有差异，开发者若想支持多个模型，需要为不同API做适配或使用额外框架处理。而且，无状态性 ：模型仅生成调用规范，实际执行由外部系统完成。

案例：在GLM-4-Air-250414模型中调用函数

Agent智能体

智能体（AI Agent）的定义多样。一些人认为它是完全自主的系统，可独立完成复杂任务；另一些人则认为它是遵循预定义工作流的实现。目前，基于大语言模型（LLM）的AI Agent被广泛认可。其架构包括基础规划、工具使用等模块，通过感知、规划和行动（PPA）循环实现智能决策。

将Agent视为人工智能大脑，它使用LLM进行推理、计划和采取行动。

• 功能 ：具备自主决策能力的AI系统，通过结合LLM的核心推理能力、工具调用（Tools）、记忆（Memory）和规划（Planning）等模块，完成复杂任务。
• 本质 ：是一个多组件协同的“代理”，能动态选择工具、迭代执行直至目标达成。

核心特点

• 自治性 ：自主决定何时调用工具、如何组合结果。
• 多步迭代 ：通过“思考-行动-观察”循环处理复杂问题（如“写一篇行业报告并邮件发送”）。
• 组件架构 ：

• • 规划模块 ：拆解任务为子目标。
  • 工具库 ：集成多种函数/API（搜索、计算、绘图等）。
  • 记忆机制 ：存储历史交互信息。

# 用户请求："总结AI最新进展，用图表展示并邮件给团队。"
Agent的执行流程：
1. 调用搜索工具获取最新论文。
2. 调用摘要生成模型提炼关键点。
3. 调用图表生成工具创建可视化。
4. 调用邮件API发送结果。

MCP

1、定义

MCP（Model Context Protocol，模型上下文协议） ，2024年11月底，由 Anthropic 推出的一种开放标准，旨在统一大型语言模型（LLM）与外部数据源和工具之间的通信协议。MCP 的主要目的在于解决当前 AI 模型因数据孤岛限制而无法充分发挥潜力的难题，MCP 使得 AI 应用能够安全地访问和操作本地及远程数据，为 AI 应用提供了连接万物的接口。

Function Calling是AI模型调用函数的机制，MCP是一个标准协议，使AI模型与API无缝交互，而AI Agent是一个自主运行的智能系统，利用Function Calling和MCP来分析和执行任务，实现特定目标。

即使是最强大模型也会受到数据隔离的限制，形成信息孤岛，要做出更强大的模型，每个新数据源都需要自己重新定制实现，使真正互联的系统难以扩展，存在很多的局限性。

现在，MCP 可以直接在 AI 与数据（包括本地数据和互联网数据）之间架起一座桥梁，通过 MCP 服务器和 MCP 客户端，大家只要都遵循这套协议，就能实现“万物互联”。

有了MCP，可以和数据和文件系统、开发工具、Web 和浏览器自动化、生产力和通信、各种社区生态能力全部集成，实现强大的协作工作能力，它的价值远不可估量。

2、MCP 与 Function Calling 的区别

• MCP（Model Context Protocol），模型上下文协议
• Function Calling，函数调用

这两种技术都旨在增强 AI 模型与外部数据的交互能力，但 MCP 不止可以增强 AI 模型，还可以是其他的应用系统。

3、工作原理

MCP 协议采用了一种独特的架构设计，它将 LLM 与资源之间的通信划分为三个主要部分：客户端、服务器和资源。

客户端负责发送请求给 MCP 服务器，服务器则将这些请求转发给相应的资源。这种分层的设计使得 MCP 协议能够更好地控制访问权限，确保只有经过授权的用户才能访问特定的资源。

以下是 MCP 的基本工作流程：

• 初始化连接：客户端向服务器发送连接请求，建立通信通道。
• 发送请求：客户端根据需求构建请求消息，并发送给服务器。
• 处理请求：服务器接收到请求后，解析请求内容，执行相应的操作（如查询数据库、读取文件等）。
• 返回结果：服务器将处理结果封装成响应消息，发送回客户端。
• 断开连接：任务完成后，客户端可以主动关闭连接或等待服务器超时关闭。

4、通信机制

MCP 协议支持两种主要的通信机制：基于标准输入输出的本地通信和基于SSE（Server-Sent Events）的远程通信。

这两种机制都使用 JSON-RPC 2.0 格式进行消息传输，确保了通信的标准化和可扩展性。

• 本地通信 ： 通过 stdio 传输数据，适用于在同一台机器上运行的客户端和服务器之间的通信。
• 远程通信 ： 利用 SSE 与 HTTP 结合，实现跨网络的实时数据传输，适用于需要访问远程资源或分布式部署的场景。

5、FastMCP：构建模型上下文协议（MCP）服务器的快速Python方案

Java开发MCP服务：把SpringBoot项目改造成MCP Server非常简单 - 知乎

Python开发MCP服务：GitHub - langchain-ai/langchain-mcp-adapters

开源的MCP服务项目：MCP servers | Glama

它提供了一种简单且高效的方法来构建MCP服务器，为开发者提供强大的工具和资源，从而帮助他们为LLMs提供上下文信息。

FastMCP的主要特性：

• 快速：高层接口意味着更少的代码和更快的开发速度。
• 简单：构建MCP服务器时，所需的样板代码最少。
• Pythonic：符合Python开发者的直觉，使用起来更自然。
• 完整：致力于提供MCP规格的全面实现（当前某些高级功能仍在开发中）。‍
• FastMCP正在积极开发中，而MCP规格本身也在不断完善。

Agent2Agent (A2A)

Google 于 2025 年 4 月 9 日发布的 Agent2Agent (A2A) 协议的技术细节.

A2A 是一个开放协议，旨在促进 AI Agent之间的协作，特别适用于大规模、多智能体系统的部署。其设计原则和功能如下：

A2A 基于五个核心原则：

• 拥抱智能体 能力 ：支持自然、非结构化的协作模式。
• 利用现有标准 ：使用 HTTP、Server-Sent Events (SSE) 和 JSON-RPC，确保与现有系统的兼容性。
• 默认安全 ：支持企业级认证和授权，启动时与 OpenAPI 保持一致。
• 支持长期任务 ：处理从快速任务到深入研究的任务，提供实时反馈、通知和状态更新。
• 多模态支持 ：支持文本、音频、视频流等多模态通信。

MCP 的角色 ：MCP 于 2024 年 11 月由 Anthropic 发布，旨在标准化 AI 模型与外部数据源（如数据库、API、文件系统）的连接。它的目标是让 AI 助理能够访问和利用上下文数据，提升响应质量。MCP正在统一不同模型和框架的“函数调用”功能，这催生了一个工具服务商生态系统，大幅降低了智能体与工具/数据的对接复杂度。随着更多框架、服务商和平台采用MCP，这一趋势将持续深化。

A2A 的角色 ：A2A协议则解决另一类问题——它是应用层协议，支持智能体以自然模态协作。A2A允许智能体以“智能体”（或“用户”）身份交互，而非作为工具被调用。A2A与MCP互补，共同推动智能体生态发展，并将通过开放协作实现这一愿景。