MCP 与 Function Calling 的区别是什么？
这道题考的是协议与能力在 AI 系统中的定位差异。面试官想看你能不能说清楚：一个是模型自带的能力，一个是为所有模型制定的通信标准，两者到底有什么本质区别。
我分四个板块来讲：本质定位、工作原理、能力对比、演进趋势。
板块1：本质区别——协议与能力的定位差异
先搞清楚一个最核心的问题：这两玩意儿根本不是一个层面的东西。
Function Calling 是模型的"内置能力"。大模型在训练时被教会了"我看到一个 JSON 指令，就知道要去调用外部函数"。模型自己就能生成调用指令，告诉系统该调哪个函数、传什么参数。
MCP 是跨模型的"通信协议"。这是 Anthropic 推出的标准，规定了 AI 系统怎么跟外部工具交换数据。它跟具体哪个模型没关系，任何能聊 MCP 协议的模型都能用。
打个比方：
- Function Calling 像手机自带的语音助手。它很方便，但只能控制本机功能——换个牌子的手机，语音助手还是那个逻辑，但能控制的东西不一样了。
- MCP 像蓝牙协议。AirPods 能连 iPhone，也能连小米、华为，因为大家都遵守同一个蓝牙标准。MCP 就是让所有 AI 模型用同一套方式连接外部工具。
关键区别就在这儿：Function Calling 和特定模型绑定，MCP 跟模型无关。
板块2：工作原理——主动生成 vs 标准化传输
说完定位，再看它们具体怎么工作的。
Function Calling 的工作流程是这样的：
- 你给模型发个问题
- 模型思考后，直接生成一个函数调用指令
- 这个指令是模型"自己想到"的，带有函数名和参数
- 系统拿到指令，执行对应函数
- 结果返回给模型，继续回答你
整个过程，模型是主动的。它"想"要调用什么函数，然后直接生成调用代码。
MCP 的工作流程是这样的：
- 有一个 MCP Host（AI 应用）
- 有一个 MCP Client（连接器）
- 有一个 MCP Server（工具提供者）
- Host 把指令发给 Client，Client 通过协议转发给 Server
- Server 执行后把结果返回来
MCP 用的是客户端/服务器架构，所有传输都走标准协议。模型不直接生成调用指令，而是通过 MCP 协议告诉 Client："我需要什么"，Client 再去找对应的 Server 要。
再打个比方：
- Function Calling 像专用钥匙配专用锁。你的钥匙只能开你的锁，换一把锁就得重新配钥匙。GPT 的 Function Calling 和 DeepSeek 的 Function Calling，生成的指令格式和调用方式都不一样。
- MCP 像 USB 接口。任何设备插上 USB 线都能用，不管你是联想电脑还是苹果电脑，不管你插的是鼠标还是硬盘。
核心差异：Function Calling 是模型直接生成调用，MCP 是通过协议标准化传输。
板块3：能力对比——什么场景用什么方案
说这么多，具体怎么选？
| 对比维度 | Function Calling | MCP |
|---|---|---|
| 跨模型兼容性 | 差，每个模型实现不同 | 好，协议统一 |
| 工具热插拔 | 一般，需要改代码 | 好，动态发现 |
| 权限控制 | 粗粒度 | 细粒度 |
| 跨设备调用 | 不支持 | 支持 |
| 开发复杂度 | 低，简单 | 高，需要搭建架构 |
| 开发效率 | 高，快速验证 | 低，初期投入大 |
Function Calling 的优势：
- 开发简单。你就在 prompt 里定义好函数，模型直接调用，几乎没有额外工作量。
- 延迟低。没有中间层，模型生成指令直接执行。
- 快速验证。想测个功能原型，Function Calling 十分钟搞定。
MCP 的优势：
- 跨模型兼容。换一个模型，工具还能用，不用重新适配。
- 工具热插拔。工具可以动态注册、发现，不用改代码就能加载新工具。
- 远程调用。能连接服务器上的工具，不受本地环境限制。
- 细粒度权限。协议层就能控制谁能调用什么。
怎么选：
- 快速开发、简单场景、单一模型 → Function Calling
- 企业级系统、多模型切换、需要灵活扩展 → MCP
就像你要搬家，选搬家公司：东西少、路近，找个朋友帮忙就行；东西多、跨城市，还是找专业搬家公司。
板块4：演进趋势——分层架构与协同模式
很多人会问：这两个是不是竞争关系？最终谁会赢？
答案是：不是竞争，是分层协作。
看 AI Agent 的架构，分三层：
- 意图解析层（Function Calling）—— 模型理解你想干什么，生成调用意图
- 协议传输层（MCP）—— 标准化传输，确保任何模型都能调用任何工具
- 工具执行层—— 具体执行函数，返回结果
Function Calling 负责"想"，MCP 负责"传"。
未来的趋势是：意图解析层用 Function Calling（或类似能力），协议传输层用 MCP。模型负责理解需求，协议负责标准化连接，工具负责执行。
Anthropic 已经在推进 MCP 吸收 Function Calling 的工具描述规范。你在 MCP Server 里定义工具的方式，越来越像 Function Calling 的 function schema。两者的边界会越来越模糊，最终形成统一标准。
这也意味着：MCP 在解决"供应商锁定"问题。现在每换一个模型，工具就得重新适配。有了 MCP，工具只适配一次，所有模型都能用。生态不会被某个模型绑定。
面试怎么答
基础版（能过的回答）
Function Calling 和 MCP 的核心区别在于定位不同。Function Calling 是模型的内置能力，让模型能直接生成函数调用指令，它和特定模型深度绑定，不同模型的实现方式也不一样。MCP 是 Anthropic 推出的跨模型通信协议，用客户端/服务器架构标准化传输指令，任何兼容协议的模型都能用。
选择上，简单场景、快速验证用 Function Calling，企业级系统、多模型切换用 MCP。本质上，Function Calling 解决的是"怎么让模型调用工具"，MCP 解决的是"怎么让所有模型统一调用工具"。
加分版（让面试官眼前一亮）
两者不是替代关系，而是分层协作。Function Calling 在意图解析层，让模型理解用户需求、生成调用意图；MCP 在协议传输层，标准化传输指令、连接各种工具。
MCP 的核心价值是解决供应商锁定问题。现在换一个大模型，工具适配得重做；有了 MCP，工具只适配一次，所有模型都能用。这也是为什么 Google、OpenAI 都开始支持 MCP——大家都想打破生态绑定。
我之前用过 OpenAI 的 mcp_adapter 库，它就是让 GPT 通过 MCP 调用外部工具。实际体验下来，这种架构很灵活，模型只管理解意图，协议层负责连接，工具层负责执行，分层清晰，扩展方便。
一句话总结
Function Calling 是"模型的能力"，MCP 是"所有模型的协议"——前者让模型知道怎么调，后者让所有模型都能调。