者和公司面临的最大痛点往往不是技术本身，而是如何让大模型稳定、可复用地调用外部服务。

1. Function Calling 之前：一切都靠手动约定

在正式推出 Function Calling 前。最常见的做法是把工具说明硬塞进 prompt，接下来让模型自行“猜”出调用格式。者必须不断调整 prompt、正则或 JSON 解析逻辑——一旦一句话改了整个流程就可能崩溃。

• 痛点一：模型输出极易偏离预期——多加一句解释、换字段顺序、中文括号…，后端需写大量容错代码。
• 痛点二：每个工具都有自己的 JSON 结构。没有统一规范，导致团队间协作困难。按理说，
• 痛点三：所有适配细节都由开发者自行实现。重复劳动成本高，

再看典型案例，靠 prompt 调用天气接口

# 旧式写法：靠 prompt 约定格式 prompt = f"你是助手。如果使用者要查天气，请输出：WEATHER否则正常回答。从使用者来看，{user_input}" reply = llm if reply.startswith: city = parse_娱乐ween date = parse_娱乐ween") result = get_wear answer = llm 说到else，answer = reply

从典型案例来看，靠自定义 JSON 调用搜索餐厅

prompt = f"""你可以调用两个工具： search_restaurant. estimate_delivery 如果需要调用工具，请严格输出 JSON： {{"tool": "...","args": {{...}}}} 使用者的观点是。 {user_input}""" reply = llm obj = try_parse_json if obj and obj == "search_restaurant": stores = search_restaurant elif obj and obj == "estimate_delivery": eta = estimate_delivery else这方面，# 解析失败，回退成普通回答 pass

2. Function Calling 出现后：统一调用格式，但仍然碎片化

OpenAI 的 Function Calling 在技术上解决了“模型如何发起一次调用”的问题：

• 者声明可用函数及参数 schema。
• 模型对象。
• 应用程序负责执行实际函数并返回结果。

此时的主要痛点仍在于：

MCP 风格伪代码示例

# Host 应用里有一个 MCP Client client = MCPClient client.connect client.connect client.connect # 统一发现可用能力 capabilities = client.list_capabilities resp = llm.chat( messages=。available_tools=capabilities.tools,) if resp.tool_call: result = client.invoke_tool( server=resp.tool_call.server,name=resp.tool_call.name,arguments=resp.tool_call.arguments ) final_response = llm.chat( messages= ) else的观点是，final_response = resp.content

3. 为什么 Function Calling 并不能完全处理问题？

• MCP 的目标：Simplify & Standardize how AI tools discover & invoke capabilities across diverse external systems.
• MCP 定义了MCP Server 与 MCP Client 的协议栈，让各方能以统一方式公开与消费能力。
• MCP 不替代 Function Calling，而是在其基础上建立了更高级别的环境接入标准。

4. 使用者真正关注的几点

• No More “Guessing” Prompt: Models reliably output structured calls.
• No More Duplicate Integration Effort: One set of server definitions can be reused across multiple clients.
• Securable & Auditable Connection: MCP ensures secure data flow 娱乐ween AI applications and external services.
• Easier Onboarding for New Services: Service providers expose a single MCP endpoint instead of building custom adapters for each AI platform.
• Smooth Scaling Across Heterogeneous Systems: The same client can call GitHub。Notion,Postgres or local file system through a unified interface.

关键

1. MCP 将“AI 工具连接外部世界”从零散集成提高为开放标准环境。
2. User 能够通过一个简单声明即可获得多种服务，无需为每个网站重写适配层。
3. Divergent vendor implementations converge under one protocol → reduce fragmentation and development cost.
提示： 如果你正在建立多服务集成网站，现在正是评估并采用 MCP 标准来减少未来维护成本的时候。
©2026 Your Company – All rights reserved.