夜雨聆风写在前面
你有没有想过这个问题：AI大模型说得头头是道，为什么不能直接帮我当前天气怎么样、我的数据库里有多少订单？
原因很简单：大模型本身是一个语言理解和生成工具，它的知识封闭在训练时刻，无法实时访问任何外部系统。而 Function Calling 和 MCP 就是给它居个拓展坑的模块——让它能够调用真实的工具、操作外部系统、获取实时数据。
这节课学完，我终于搞明白了：AI Agent 的“行动能力”到底是怎么来的。
知识点1：Function Calling——模型与现实世界的“桥”
Function Calling 是指大模型在对话过程中，能够识别用户意图并自动调用开发者预先注册的函数，将自然语言转化为结构化参数，传递给外部工具执行。
它能解决哪些问题？
●实时数据获取：天气、股价、新闻（模型自己不懂，但它知道谁懂）
●复杂计算：数学公式、代码执行（调用求算工具而不是自己训算）
●操作外部系统：发送邮件、查询数据库、控制智能设备
一个直观的例子 用户说「明天北京天气怎么样？」→ 模型识别意图 → 自动生成调用：get_weather(location=”北京”, date=”明天”) → 工具执行，返回结果 → 模型生成回答。整个流程对用户透明。 |
知识点2：MCP——AI展界的“USB-C接口”
MCP（Model Context Protocol）是由 Anthropic 于 2024 年 11 月推出的开放协议标准。它的目标是标准化 LLM 与外部数据源、工具、服务之间的交互方式——就像 USB-C 接口标准化了各类设备连接方式一样。
MCP 的核心架构
●MCP Host：运行 AI 模型的环境，如 Claude Desktop、Cursor IDE、Cherry Studio
●MCP Client：嵌入在 Host 中的组件，负责发起请求并与 MCP Server 通信
●MCP Server：轻量级服务，提供具体功能，如数据查询、API 调用等
MCP 提供三大能力
1. Resources（知识扩展）：提供结构化数据，增强 AI 的上下文理解
2. Tools（工具调用）：允许 AI 执行外部操作，如发送邮件、查询 GitHub
3. Prompts（提示模板）：预定义的指令模板，优化 AI 的任务执行
知识点3：Function Calling vs MCP——选哪个？
这是课堂上最常被问到的问题。老师的回答让我印象深刻：两者不是替代关系，而是适用不同场景。
维度 | Function Calling | MCP |
性质 | 模型内置功能 | 开放协议标准 |
适用场景 | 简单、原子化任务 | 复杂场景、跨平台 |
开发复杂度 | 每个任务单独开发 | 一次开发，多模型兼容 |
复用性 | 低（特定任务设计） | 高（一次开发，多场景使用） |
安全性 | 依赖云端 API 密鑰 | 支持本地化数据控制 |
典型场景 | 天气查询、单次计算 | 高德地图、Tavily 搜索、全局工具集 |
实务建议 简单、单次调用的任务（天气查询、单一计算）直接用 Function Calling 就够，无需多余的协议开销。确需跨平台、多功能、常驻外部工具的场景，上 MCP 。 |
知识点4：CASE 实战方向——学习路径指引
课程共涉及四个 CASE，涵盖了 Function Calling 到 MCP SDK 的完整学习路径。这里只提炼核心思路，具体操作建议项着课程原带的 CASE 练习。
CASE 1：门票助手（Function Calling 实战）
核心思路：通过 Qwen-Agent 的 Assistant 类注册一个 exc_sql 工具，将用户的自然语言问题自动转化为 SQL 查询并返回结果。进阶版进一步将查询结果可视化，实现表格+图表异步输出。
核心提问：如何设计 system_prompt 让模型准确理解业务词表？多维查询如何通过 pivot_table 展示？
CASE 2：旅游攻略 MCP（高德地图服务）
核心思路：在 Cursor / Cherry Studio / GitHub Copilot 中配置高德地图 MCP Server，通过自然语言输入就能获取真实的地点、路线、现场数据。
核心提问：不同 AI 客户端配置 MCP 的方式有什么差异？本地 UV/Bun 工具的安装和排查思路是什么？
CASE 3：Tavily 搜索 MCP（联网搜索能力）
核心思路：集成 Tavily MCP 后，模型可通过 tavily-search 进行实时搜索、通过 tavily-extract 提取网页内容。在 Qwen-Agent 中集成 Tavily 后能开启模型的真实联网检索能力。
CASE 4：桌面 TXT 统计器（MCP SDK 自建）
核心思路：用 Python MCP SDK 的 FastMCP 框架，通过 @mcp.tool() 装饰器将 Python 函数暴露为 MCP 工具。仅少量代码就可自建一个可被 AI 调用的服务，并通过 MCP Inspector 调试。
对 PM 的启发：这不只是技术课
学这节课前，我以为 Function Calling 和 MCP 是单纯的开发技术，和 PM 的日常工作关系不大。学完之后我改变了看法。
1. 需求清晰度直接影响工具是否好用
Function Calling 的效果好不好，很大程度取决于 system_prompt 和工具定义的质量。这意味着 PM 写的需求文档和数据表结构说明越清晰，最终轮序出来的结果就越精准。
2. MCP 正在重塑工具集的产品道路
过去我们说“集成第三方工具”是一件工程量很大的事。MCP 将这个门槛降低了一个数量级。未来一两年内，具备 ‘支持 MCP’ 的工具生态会成为 B端 AI 产品的标配要素。PM 需要在选型和产品设计中将这个趋势纳入考虑。
3. 向开发提问的姿势升级了
当你需要一个工具集成功能时，不再只能说“我想对接XXX”，而是可以问：「这个工具是否已有 MCP Server？我们可以直接用吗？还是需要自建？”——这就是 PM 理解技术后的价値。
下次写需求时，你可以这样向开发提问： 「这个查询功能，我们是通过 Function Calling 让模型自动调用 SQL 工具实现，还是直接做硬编码接口？」 「这个功能需要的外部工具，是否有现成的 MCP Server 可用？」 |
風险提示 MCP Server 目前以第三方提供为主，调用前请确认提供方的可信度和隐私条款。关涉业务数据的工具调用需审核权限设计，避免敏感信息外泄。Function Calling 中的 SQL 工具要谨防 SQL 注入风险。 |
互动与关注
你目前工作中有哪些场景可以用上 Function Calling 或 MCP？欢迎在评论区分享你的业务场景！
✅ 关注我，私信回复「AI学习」，领取该章节课程
以上内容纯属个人学习分享，非广告。相关工具和平台均来自公开信息，仅供参考。
《婉之画中话》 | 记录 AI PM 学习笔记，分享实用工具