一、前言
过去一年里，Function Call 成为最常用的“让 AI 调用代码”的方式。
但是当你的业务变复杂，比如：
- 访问数据库
- 操作本地文件系统
- 管理多个工具
- 调用公司内部 API
- 多个模型复用同一套工具
Function Call 就开始吃力了。
于是，MCP出现了，它解决了 Function Call 的所有局限，成为下一代 AI 工具调用标准。
本文将通过Node.js 实例，让你直观理解两者区别。
二、概念总结：一句话说清两者区别
Function Call：
模型提示你：“我要调用这个函数”，然后你负责执行。
MCP：
模型自动发现和调用已注册的“工具”，开发者只负责定义工具，不负责执行。
一句话：
Function Call：模型说“我需要工具”，你来执行。 MCP：模型自己执行工具，你只负责提供工具。三、用例对比：查询某个城市的天气
我们以“查询北京天气”为例进行对比。
目标：
让用户问：“北京天气怎么样？”
模型自动获取天气数据，并返回结果。
3.1 Function Call 示例（Node.js）
代码结构
function_call/ ├── app.js └── weather.js步骤1：你需要手写工具函数（核心）
import axios from "axios"; export async function getWeather(city) { const apiKey = "your_api_key_here"; const url = `https://api.open-meteo.com/v1/forecast?latitude=39.9&longitude=116.4&hourly=temperature_2m`; const resp = await axios.get(url); return `当前温度：${resp.data.hourly.temperature_2m[0]}°C`; }步骤2：把工具绑定给模型（你要写）
import { ChatOpenAI } from "@langchain/openai"; import { getWeather } from "./weather.js"; const tools = [ { type: "function", function: { name: "get_weather", description: "获取指定城市的天气信息", parameters: { type: "object", properties: { city: { type: "string" } }, required: ["city"] } } } ]; const llm = new ChatOpenAI({ model: "gpt-4o-mini" }).bind({ tools }); async function run() { const res = await llm.invoke("北京天气怎么样"); if (res.tool_calls?.length > 0) { const { city } = res.tool_calls[0].args; // 你负责执行工具 const weather = await getWeather(city); console.log("返回天气：", weather); } } run();Function Call 的特点
你必须：
- ❗手写 getWeather
- ❗手动执行工具
- ❗手动把结果反馈给模型
- ❗每个模型都需要绑一遍 tools
当你的工具越来越多时，维护成本越来越高。
3.2 MCP 示例（Node.js）
在 MCP 中，你只需要定义工具，模型会：
✔ 自动发现工具
✔ 自动决定什么时候调用
✔ MCPClient 自动执行
✔ 你不需要任何其它代码
步骤1：定义一个 MCP 天气服务
新建：mcp-weather-server.js
import { Server } from "@modelcontextprotocol/sdk/server"; import axios from "axios"; const server = new Server({ name: "weather-service", version: "1.0", }); // 注册自定义工具 server.tool( "get_weather", "获取天气", { type: "object", properties: { city: { type: "string" } }, required: ["city"] }, async ({ city }) => { // 你可以接数据库/公司内网 API 都行 const url = `https://api.open-meteo.com/v1/forecast?latitude=39.9&longitude=116.4&hourly=temperature_2m`; const resp = await axios.get(url); const temp = resp.data.hourly.temperature_2m[0]; return { weather: `${city}当前温度：${temp}°C` }; } ); server.start();步骤2：模型自动调用 MCP 工具
import { ChatOpenAI } from "@langchain/openai"; import { MCPClient } from "@langchain/langgraph/mcp"; import { ChatPromptTemplate } from "@langchain/core/prompts"; // 连接 MCP server const mcp = new MCPClient("stdio", { command: "node", args: ["./mcp-weather-server.js"] }); // 绑定到模型（让模型自动调用 MCP 工具） const llm = new ChatOpenAI({ model: "gpt-4o-mini", }).bind({ mcp }); const prompt = ChatPromptTemplate.fromMessages([ ["system", "你可以使用 MCP 工具获取天气信息。"], ["human", "{q}"] ]); async function ask(q) { const res = await prompt.pipe(llm).invoke({ q }); console.log("模型回答：\n", res.content); } ask("北京天气怎么样");运行后输出类似：
模型回答： 北京当前温度：1°CMCP 的特点
- 模型自动识别并调取 get_weather
- MCPClient 负责执行工具并返回结果
- 开发者不用写其它code（如 res.tool_calls）
- 所有 MCP 支持的模型都能直接复用这个工具
四、核心区别（通过例子直接看出来）
| 能力 | Function Call | MCP |
|---|---|---|
| 工具在哪里定义？ | 代码里 | MCP Server 里 |
| 工具由谁调用？ | 开发者手动调用 | 模型自动调用 |
| 工具能否自动发现？ | ❌ 不行 | ✔️ 自动发现 |
| 是否支持文件系统 / DB / 本地脚本？ | 你得自己写 | MCP 工具库直接支持 |
| 能否被多个模型共享？ | ❌ 每个模型都要重新写 | ✔️ MCP 工具可复用 |
| 安全性和权限？ | 手动处理 | MCP 内置权限管理 |
一句话：
Function Call = 模型请求你，你再帮它调工具 MCP = 模型自己调工具，你只提供工具学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
