MCP的工具调用：让LLM执行复杂任务

根据MCP协议定义，Server可以提供三种类型的标准能力，Resources、Tools、Prompts，每个Server可同时提供者三种类型能力或其中一种。Resources：资源，类似于文件数据读取，可以是文件资源或是API响应返回的内容。Tools：工具，第三方服务、功能函数，通过此可控制LLM可调用哪些函数。

在使用LLM（大型语言模型）时，调用效率和成本是开发者需要重点关注的问题。LLM的调用通常需要消耗大量的计算资源和时间，尤其是在处理大规模数据或高并发请求时。MCP（Model Context Protocol）提供了一种采样功能，可以帮助开发者优化LLM的调用，提高效率并降低成本。本文将详细介绍MCP的采样功能，并通过代码示例展示如何实现这些功能。以下是一个简单的采样工具定义示例，该工具用于从数据集中选择样本：Python复制# 随机采样。

MCP不是什么惊天动地的新技术，但它绝对是个重要的标准化工具。它的价值在哪？统一标准：终于有个统一的方式定义工具、资源和提示词了！减少重复劳动：社区越大，可复用的组件就越多降低入门门槛：不用再为工具调用写一堆复杂代码但记住啊，MCP只解决了工具调用这一块。Agent的核心功能如任务规划、上下文管理，你还得自己动手。我的建议？手撸工作流+MCP是比较合适的方案。

在MCP系列的前三篇文章中，我们介绍了模型上下文协议（MCP）的基本概念、技术架构以及如何搭建一个简单的MCP应用。本篇文章将聚焦于MCP最核心的功能之一——工具调用（Tool Calling），探讨MCP如何革新AI与外部工具的交互方式，以及它与传统Function Calling方法的区别和优势。对于AI开发者来说，理解不同工具调用范式的特点与适用场景，有助于选择最合适的技术方案，构建更强大、更灵活的AI应用。本文将通过丰富的示例和对比分析，帮助你全面把握MCP工具调用的精髓。静态定义。

整体的思路是使用Cursor作为客户端，通过MCP协议，访问MCP服务端，调用MCP服务端暴露的两个工具 get-alerts 和 get-forecast，这两个工具会联网获取天气预警和天气预报。后来发现是版本的原因，在新版本中，Composer被藏到了聊天框的左下角，并改名为“Edit”。至此，我们已经完整体验了从搭建MCP服务，到在Cursor中通过MCP客户端调用MCP服务来使用工具的完整过程。下一篇，让我们来玩一些更实用的MCP工具，探索利用Cursor和MCP开发的最佳实践。

基于Ollama+qwen2.5已stdio方式实现MCP协议工具调用

前面几篇文章，介绍了Cherry Studio客户端调用MCP，接下来介绍dify如何调用MCP。

自定义编辑mcp client调用mcp tool工具，使用星火大模型。

每种方法都有其独特优势和适用场景，企业应根据自身业务需求、技术能力和资源条件，选择最合适的实施路径，也可以考虑这些方法的组合使用，以最大化大模型的应用价值。：微调+RAG的组合，兼顾专业性和知识更新。：MCP为核心，根据需要结合RAG。：优先考虑RAG，投入产出比高。

AI大模型API聚合网站精心挑选了当前市场上顶尖的免费AI API，涵盖自然语言处理、机器学习和计算机视觉等关键领域。这些API不仅质量上乘，而且完全免费，旨在帮助开发者无需额外支出就能将尖端的AI能力快速整合到自己的项目中。通过访问该网站，开发者可以获取详尽的API介绍和直接链接，便于立即接入并评估这些工具的实际效果，从而在项目中充分利用AI的力量，提升应用的功能性和用户体验。通过Free AI Hunter探索并收集2024年顶级免费AI API。

模型上下文协议（MCP）遵循客户端-主机-服务器架构，其中每个主机可以运行多个客户端实例。这种架构使用户能够在保持清晰的边界和隔离关注点的同时，将 AI 能力集成到各个应用程序中。基于 JSON-RPC 构建的 MCP 提供了一种面向上下文交换和客户端与服务器之间采样协调的会话状态协议。核心组件主机客户端主应用程序创建并管理多个客户端，每个客户端与特定的服务器保持一对一的关系。服务器设计原则MCP 基于几个关键设计原则，这些原则指导了其架构和实现能力协商。

模型上下文协议：MCP 服务器据称是 AI 领域的下一个重大改变者，它将使 AI 代理变得比我们想象的更加先进。MCP 或模型上下文协议由 Anthropic 去年发布，它可以帮助 LLM 连接软件并对其进行控制。但有一个问题大多数 MCP 服务器都与 Claude AI 兼容，尤其是 Claude AI 桌面应用程序，但它们有自己的限制。有没有办法我们可以使用本地 LLM 运行 MCP 服务器？

MCP（Model Context Protocol，模型上下文协议） 是一种开放标准协议，它像“USB接口”一样，为AI大模型（如GPT、Claude）与外部工具（地图API、数据库等）提供标准化连接方式。通过MCP，AI无需复杂编程即可调用外部资源，实现更复杂的任务处理，例如路线规划、数据分析等。

MCP服务服务端是由服务商提供好的调用代码，比如百度地图路线规划，原来是百度提供了接口，由开发人员自己写代码调用，现在通过本地部署百度提供的mcp服务，只需关系输入参数即可，服务调用由mcp服务端自己调用直接返回结果给mcp客户端。通过 MCP 协议，服务商可以提供预配置的 MCP 服务端，使得开发者可以更方便地调用其服务。

cline调用MCP工具并将结果、用户原始提问、MCP调用过程发送到大模型。将用户提问和MCP工具描述信息发送到大语言模型（deepseek-r1）大语言模型返回（deepseek-r1）AI客户端cline工具。最后大模型将整理结果返回。

工具（Tools）在MCP中是一个核心概念，它通过服务器暴露可执行功能，使LLMs能够与外部系统交互并执行复杂的操作。工具的设计具有高度的灵活性和可扩展性，能够支持从简单的计算到复杂的API集成。通过定义工具的结构和实现方式，开发者可以轻松地将各种功能集成到LLMs中，从而增强模型的能力。