夜雨聆风
工具篇 | AI界新宠MCP!替代Function Call,Trae实操教程
小伙伴们，我们今天聊聊MCP（模型上下文协议），它是直接对标咱们熟悉的Function Call，甚至能完美解决它的所有痛点。
很多用Trae的小伙伴还在纠结：Function Call明明能用，为啥要换MCP？MCP到底怎么用？下面就手把手，从Function Call到MCP实操，附Trae界面具体操作、及代码案例。
为啥需要MCP？先回顾Function Call的“小遗憾”
咱们平时用ChatGPT、Claude这类大模型，其实有个致命局限——模型的知识有“保质期”，想查实时天气、当前时间，它根本做不到。
为了解决这个问题，OpenAI在2023年6月推出了Function Call（函数调用），简单说就是让AI能“意识到”自己需要调用外部工具（比如天气API），来完成它做不到的事。
Function Call 工作原理
不用记复杂理论，跟着步骤走就懂，结合Trae界面给大家标注清楚：
1.定义函数：开发者先写好函数的名称、描述和参数（比如“获取天气”函数，要包含城市、温度单位）；
2.传递函数：在Trae左侧对话窗口，将函数定义粘贴给AI，相当于“告诉AI有这个工具可用”；
3.模型决定调用：你输入需求（比如“查北京今天天气”），AI判断需要调用刚才定义的“获取天气”函数；
4.执行函数：你（或Trae）执行这个函数，拿到天气结果；
5.生成回复：AI用函数返回的结果，用自然语言告诉你“北京今天晴天，25℃”。
Function Call案例
以“获取天气”为例，给大家写好Python代码案例，复制到Trae编辑器就能运行，无需手动修改太多：
|
import requestsfrom openai import OpenAI# 1. 初始化OpenAI客户端（Trae中可直接调用，无需额外配置）client = OpenAI(api_key=”你的API密钥，Trae中可在设置→API配置中添加”)# 2. 定义“获取天气”函数（核心：告诉AI函数的作用和参数）def get_weather(location: str, unit: str = “celsius”) -> dict:“””获取指定地点的天气信息:param location: 城市名称，如北京、上海（必填）:param unit: 温度单位，可选celsius（摄氏度）、fahrenheit（华氏度）:return: 包含温度、天气描述的字典“””# 模拟调用天气API（实际可替换为真实API地址）weather_api = f”https://api.weatherapi.com/v1/current.json?key=你的API密钥&q={location}&aqi=no”response = requests.get(weather_api)data = response.json()return {“temperature”: data[“current”][“temp_c”],“unit”: unit,“description”: data[“current”][“condition”][“text”],“location”: location}# 3. 定义函数结构，传递给模型tools = [{“type”: “function”,“function”: {“name”: “get_weather”,“description”: “获取指定地点的天气信息”,“parameters”: {“type”: “object”,“properties”: {“location”: {“type”: “string”,“description”: “城市名称，如北京、上海”},“unit”: {“type”: “string”,“enum”: [“celsius”, “fahrenheit”],“description”: “温度单位”}},“required”: [“location”]}}}]# 4. 调用模型，传入需求和函数定义（Trae中可直接在对话窗口发送）response = client.chat.completions.create(model=”gpt-4o”,messages=[{“role”: “user”, “content”: “北京今天的天气怎么样？”}],tools=tools)# 5. 处理函数调用，获取结果并生成最终回复tool_calls = response.choices[0].message.tool_callsif tool_calls:# 执行函数weather_result = get_weather(**eval(tool_calls[0].function.arguments))# 将结果传回模型，生成自然语言回复final_response = client.chat.completions.create(model=”gpt-4o”,messages=[{“role”: “user”, “content”: “北京今天的天气怎么样？”},response.choices[0].message,{“role”: “function”, “name”: “get_weather”, “content”: str(weather_result)}])print(final_response.choices[0].message.content)# 输出示例：今天北京天气晴朗，气温25摄氏度。 |
Function Call的局限性
虽然Function Call能解决“AI不会调用工具”的问题，但用久了会发现很多麻烦，尤其是在Trae中开发复杂项目时：
•封闭生态：OpenAI、Google各有各的实现方式，Trae里用的函数，换个AI工具就不能用了；
•管理麻烦：函数多了之后，还要手动维护、修改，越用越乱；
•不能复用：写好的“获取天气”函数，换个项目还要重新写一遍；
•功能有限：AI自主决策能力弱，复杂工具调用还要手动干预。
MCP到底是什么？比Function Call强在哪里呢？
正是因为Function Call的这些局限，Anthropic（就是做Claude的公司）在2024年11月推出了MCP——模型上下文协议，开源免费，现在OpenAI也宣布支持它了，直接成为AI工具连接的“标准协议”！
用一句大白话解释：MCP就像一个万能USB-C插座，不管是Trae、Claude，还是ChatGPT，不管是天气工具、代码工具，只要遵循MCP协议，都能轻松连接，不用再适配不同的接口。
MCP vs Function Call 核心差异
|
对比维度 |
Function Call（函数调用） |
MCP（模型上下文协议） |
|
生态开放度 |
封闭，依赖特定AI厂商 |
开放标准，不依赖任何厂商 |
|
接口规范 |
各厂商自有规范，不统一 |
统一接口，所有工具通用 |
|
工具复用 |
难以复用，换项目需重写 |
可插拔，写一次可在所有MCP客户端（如Trae）使用 |
|
操作复杂度 |
需手动定义、传递函数，维护麻烦 |
配置简单，Trae中可直接添加MCP服务器 |
|
生态支持 |
仅部分AI厂商支持 |
OpenAI、Anthropic、Trae、Qwen3均支持 |
MCP核心架构：Trae中怎么用？
MCP的核心是“客户端–服务器”结构，Trae本身已经内置了MCP客户端，我们不用自己开发，只要配置MCP服务器，就能直接使用各种工具，具体结构和Trae实操步骤如下：
MCP核心组件
•MCP主机：就是我们用的Trae IDE、Claude Desktop，相当于“万能插座的底座”；
•MCP客户端：Trae内置好了，不用手动装，负责和MCP服务器连接；
•MCP服务器：提供具体功能的“工具”（比如查天气、操作文件），轻量级、可插拔；
•数据源/远程服务：MCP服务器调用的资源（比如天气API、本地文件），和MCP本身无关。
Trae中添加MCP服务器
在Trae中添加MCP服务器，直接使用现成工具，不用自己开发，操作步骤如下：
1.打开Trae IDE（这里以3.3.43版本为例），进入任意项目；
2.点击右侧导航栏「设置」，在设置页面找到“MCP”，点击进入后，即可看到「从市场添加」的按钮；（Trae内置，不用额外安装）；
3.在MCP市场中，搜索你需要的服务器（比如“高德地图”），支持天气实时查询，点击「+」按钮进行添加；
部分天气查询类智能体（MCP服务器）会弹出JSON配置窗口，配置方式很简单，登录提示框中的介绍页面按操作进行配置即可：
4.补充说明：Trae MCP市场中的天气查询类智能体（MCP服务器），绝大多数是免费开源的，无需付费即可使用，仅少数对接商业天气API的智能体可能需要自行获取API密钥（免费额度足够个人使用），无额外收费成本，Trae本身也不会对MCP智能体收取任何费用，全程免费使用；
回到Trae对话窗口，直接输入需求（比如“用高德MCP服务器查上海天气”），AI会自动调用高德MCP工具，无需手动写函数，Trae的智能体将通过MCP协议完成工具调用全过程。
MCP服务器怎么找？
MCP服务器不用自己从零开发，先找现成的，以下是获取MCP服务的常用渠道：
4个获取现成MCP服务器的渠道（优先用现成的，省时间）
1.Trae MCP市场（最推荐）：Trae内置，直接在扩展面板找到，点击添加就能用，适配性最好；
2.官方GitHub仓库：https://github.com/modelcontextprotocol/servers，有大量官方和社区维护的服务器；
3.MCP.so平台（Trae赞助）：https://mcp.so/，分类清晰，可直接搜索需要的工具服务器；
4.社区资源：GitHub搜索“MCP Server”，很多开发者分享的免费服务器，可直接下载使用。
当现成的MCP服务不够用时或者不满足我们需求时，我们可以通过自定义的方式来实现，关于这块，我们将在下次分享中继续讲解。
如果觉得不错，请点赞关注哦，后续将分享更多主流AI编程工具实用技巧，及大模型大数据生产实践，一起用AI提升开发效率！