跳过导航，直达内容
YunHai LogoYunHai

Search

    AI, MCP

    模型调用 MCP

    YunHai
    ··31 分钟阅读
    模型调用 MCP

    什么是 MCP？

    Model Context Protocol (MCP) 是一个开放协议，它使 LLM 应用与外部数据源和工具之间的无缝集成成为可能。无论你是构建 AI 驱动的 IDE、改善 chat 交互，还是构建自定义的 AI 工作流，MCP 提供了一种标准化的方式，将 LLM 与它们所需的上下文连接起来。

    你可以理解为 MCP 就是大模型的 USB-C 接口，目前很多设备都在使用和支持该接口。大模型可以通过这些接口与外部通讯来获取来着额外的技能，MCP Server 的本质其实就是 实现了 MCP API 的 命令行（或接口）工具。

    MCP 的使用

    这里不过多赘诉怎么去安装 MCP，大部分的 MCP 只需要 npx 或 uvx 就能直接使用，少部分需要配置对应功能的 API KEY，或者需要安装额外的辅助服务（例如：mcp-server-browser-use） ，例如 在 VS Code 中使用 Cline 插件，他会将安装步骤发送给你的模型，这个时候模型会引导你完成安装，此时你会获得一个 mcp_settings.json 内容如下：

     
     
    json
    {
  "mcpServers": {
    "github.com/modelcontextprotocol/servers/tree/main/src/github": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-github"
      ],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "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"
      },
      "disabled": false,
      "autoApprove": []
    }
  }
}

    此时如果你不是 Windows 那你会看到，你的 MCP 服务已经可用

    image-20250331153547781

    如果你是 Windows 那么你需要将配置改为如下

     
     
    json
    {
    "mcpServers": {
        "github.com/modelcontextprotocol/servers/tree/main/src/github": {
            "command": "cmd",
            "args": [
                "/c",
                "npx",
                "-y",
                "@modelcontextprotocol/server-github"
            ],
            "env": {
                "GITHUB_PERSONAL_ACCESS_TOKEN": "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"
            },
            "disabled": false,
            "autoApprove": []
        }
    }
}

    这里为什么要改为这样？

    在原来的 command 执行 npx 时，由于 MCP 执行命令的环境甚至都不是 cmd 也就没有我们 npx 与 uvx 的环境变量，那么这两个命令都无法用导致 MCP 也无法使用，这里 cmd /c(执行字符串指定的命令然后终止) 类似 python 中的 exec，这样通过嵌套了一层 cmd 环境变量就能正常加载了

    模型调用 MCP 的方式

    Function Call 是什么

    Fucntion calling 是将 LLM 链接外部工具的一种方式。在 openai 中通过 tools 定义已经编写好的工具函数，但是大部分模型都不支持且需要在开发时手动编写工具函数。MCP 解决了：复用性不高、通用性不强等缺点，这点从常见的 MCP 选型就能看到 npx 和 uvx 都可以把第三方模块简易的运行起来，且安装简单可以通过二进制文件直接使用所以简单、易用恰好合适 MCP 的场景。

    Function Call

    使用 Function Call 可以作为 MCP 的触发器，直接调用 MCP 服务，但是具有比较大的局限性，以 Ollama Models 为例，只有少数模型对 tools 调用支持，包括前端时间比较火的 DeepSeek R1 也不支持函数调用。

    image-20250331174551602

    System Prompt

    作为一个通用接口，并非没有 Function Call 就无法使用 MCP 服务，我们可以通过 System Prompt 将工具信息告诉模型，并告知模型需要调用时的使用方式。

     
     
    xml
    <system>
你是一个专业的 AI 助手，擅长使用各种工具解决问题。你将以专业、友好的态度与用户交流，提供准确和有价值的帮助。
</system>

<persona>
- 专业性：你具备丰富的技术知识和经验
- 思维方式：逻辑清晰，善于分析问题
- 沟通风格：友好、耐心，注重用户体验
- 工作态度：严谨认真，注重细节
</persona>

<instructions>
1. 分析用户需求：
   - 仔细理解用户的问题和目标
   - 确定解决问题所需的工具和步骤

2. 工具使用规范：
   - 在使用工具前，说明选择该工具的原因，并且同时触发工具调用，不要等到下一轮对话。比如：
     * "我将生成第一组随机数。<tool_call>
  <name>generateRandom</name>
  <arguments>
    {
      "type": "number",
      "min": 100,
      "max": 10000
    }
  </arguments>
</tool_call>"
     * "我将生成 3 组随机数。<tool_call>...</tool_call><tool_call>...</tool_call><tool_call>...</tool_call>"
   - 如果需要连续调用工具，请说明，并且同时触发工具调用，不要等到下一轮对话。比如 "我将生成第二组随机数。<tool_call>
  <name>generateRandom</name>
  <arguments>
    {
      "type": "number",
      "min": 100,
      "max": 10000
    }
  </arguments>
</tool_call>"
   - 如果工具调用失败或超时，请说明，并且同时触发工具调用，不要等到下一轮对话。比如 "工具调用失败，让我进行重试。<tool_call>
  <name>generateRandom</name>
  <arguments>
    {
      "type": "number",
      "min": 100,
      "max": 10000
    }
  </arguments>
</tool_call>"
   - 每次可调用多个工具，如果没有依赖关系，尽量同时调用，如果有依赖关系，才依次调用
   - 如果用户明确要求依次调用才依次调用
   - 确保工具调用格式正确，参数完整

3. 回答质量要求：
   - 提供清晰、准确、结构化的答案
   - 承认知识限制，不随意猜测或编造
   - 主动跟进和验证结果
</instructions>

<available_tools>
<tool name="generateRandom">
  <description>生成随机数字</description>
  <parameters>
{
  "type": "object",
  "properties": {
    "min_value": {
      "type": "number",
      "description": "当type为number时的最小值（包含）"
    },
    "max_value": {
      "type": "number",
      "description": "当type为number时的最大值（包含）"
    }
  },
  "required": [
    "min_value",
    "max_value"
  ]
}
  </parameters>
</tool>
</available_tools>

<tool_call_format>
工具调用必须严格使用以下 XML 格式：

<tool_call>
  <name>工具名称</name>
  <arguments>
    {
      "参数1": "值1",
      "参数2": "值2"
    }
  </arguments>
</tool_call>

注意事项：
1. 必须使用上述 XML 格式，不接受 function_call 格式
2. 确保 <name/> 标签中的工具名称准确无误
3. 参数必须使用有效的 JSON 格式
4. 等待工具执行完成后再继续对话
5. 验证参数符合工具的要求规范
</tool_call_format>

    例如以以下提示词，那么模型在需要外部工具的时候就会在需要的时候以以下格式返回：

     
     
    xml
    <tool_call>
  <name>generateRandom</name>
  <arguments>
    {
      "min_value": 33,
      "max_value": 66
    }
  </arguments>
</tool_call>

    示例：

     
     
    python
    import json
import os
import random

from openai import OpenAI
from dotenv import load_dotenv
from xml.etree import ElementTree as ET
from pathlib import Path

load_dotenv()

messages = [
    {
        "role": "system",
        "content": Path("system-prompt").read_text(encoding="utf-8") # 上方 System Prompt
    }
]
model = "deepseek/deepseek-chat-v3-0324:free"

client = OpenAI(
    # This is the default and can be omitted
    base_url="https://openrouter.ai/api/v1",
    api_key=os.environ.get("API_KEY"),
)


def send_message(message, role="user"):
    messages.append({
        "role": role,
        "content": message
    })
    response = client.chat.completions.create(
        model=model,
        messages=messages
    )
    messages.append({
        "role": "assistant",
        "content": response.choices[0].message.content
    })
    return response.choices[0].message.content


def generate_random_number(min_value, max_value):
    # 生成随机数的逻辑
    return random.randint(min_value, max_value)


result = send_message('帮我生成33~66之间的2个数')
print(result)
if 'tool_call' in result:
    tool_result = "[工具调用结果]\n\n"
    xml_text = f"<root>{result}</root>"

    root = ET.fromstring(xml_text)
    print(root.text.strip())

    tool_calls = root.findall(".//tool_call")

    for i, tool_call in enumerate(tool_calls, 1):
        tool_call_str = ET.tostring(tool_call, encoding="unicode")
        name = tool_call.find("name").text
        arguments = tool_call.find("arguments").text
        json.loads(arguments)
        if name == 'generateRandom':
            args = json.loads(arguments)
            rs = generate_random_number(**args)
            tool_result += f"<tool_call>\n  <name>{name}</name>\n  <result>\n    {rs}\n  </result>\n</tool_call>\n\n"
    result = send_message(tool_result, 'assistant')
    print(result)

print('------------------------')

    这里我实现了一个简易的调用过程，当 result 返回告知我们需要调用工具时，我们就执行工具并以 assistant 它自己的身份返回信息告知他工具结果

     
     
    xml
    <tool_call>
  <name>generateRandom</name>
  <result>
    33
  </result>
</tool_call>

<tool_call>
  <name>generateRandom</name>
  <result>
    61
  </result>
</tool_call>

    总结

    这就是目前的两种解决方法，Function Call 对模型有要求，System Prompt 又会导致上下文特别长。分别对应 Cherry studio（Function Call），VS Code Cline（System Prompt），各有优势。

    AIMCPPromptFuntionCall