对于刚接触大模型的初学者来说，MCP Server和Function Calling这两个概念确实容易让人感到困惑。它们都涉及模型与外部系统的交互，但具体作用、实现方式和应用场景却大不相同。

对于初学者来说，建议先掌握Function Calling的基础能力，再逐步了解MCP Server的标准化和扩展性。

一、Function Calling

Function Calling：模型调用工具的“基础能力”

Function Calling（函数调用）允许大模型通过自然语言指令动态调用外部函数，完成特定任务（如查询天气、发送邮件等）。

这时就像是你给一个“超级助手”下达指令，让它帮你调用外部工具完成任务。比如，你让助手查询天气、发送邮件或计算数学题，助手会直接调用相应的API或函数来完成任务。

初学者如何学习Function Calling？

先了解如何定义函数、调用API，并观察模型如何解析请求和生成结果。再尝试用Function Calling实现一个简单的天气查询或邮件发送功能。

（1）定义函数

定义外部函数的名称、参数和返回值。例如，定义一个查询天气的函数：

def get_weather(location: str, date: str) -> str:    weather_data = call_weather_api(location, date)    return weather_data

（2）模型调用

模型解析用户请求，生成结构化的函数调用请求。例如，用户输入“明天北京的天气怎么样？”，模型生成：

{"function": "get_weather", "location": "北京", "date": "明天"}

（3）执行并返回结果

外部程序调用函数，将结果返回给模型，模型整合后生成最终回复。

二、MCP Server

MCP Server：Function Calling的“标准化升级”

MCP（Model Context Protocol）是Anthropic提出的一种标准化协议，旨在统一LLM与外部数据源、工具之间的交互规范。

Function Calling就像一个工具箱，模型可以根据任务需求手动选择工具（如螺丝刀、锤子）。但工具箱的存放、管理、调用方式没有统一标准，每个工具需要单独定义API接口，不同工具的接口格式、调用方式不统一，模型都需要逐一适配。

通过MCP Server，Function Calling从“手动工具箱”升级为“自动化工具超市”。所有工具（Server）都摆放在标准化的货架上，模型（Host）可以通过超市的货架（协议）快速找到并使用工具。超市管理员（MCP协议）负责维护货架标准，确保工具兼容性。

初学者如何快速理解MCP Server？

如果我们想点一份外卖，我们不会直接和每个餐厅沟通，而是通过一个“外卖平台”来下单。这个平台就像MCP Server，餐厅就像外部系统或数据源，我们通过外卖平台就能轻松点餐。

（1）安装外卖平台（MCP Server）

就像安装一个外卖APP一样，我们需要先安装MCP Server。

（2）配置餐厅（外部系统）

在外卖平台上，商家会注册餐厅信息，包括餐厅的名称、地址、菜品等。在MCP Server中，我们需要配置要调用的外部系统信息，如API的URL、认证方式等。

（3）下单点餐（调用MCP Server）

在外卖平台上，我们选择餐厅、菜品，并下单。在MCP Server中，我们通过发送请求来调用外部系统的功能。

（4）接收外卖（获取结果）

外卖平台将我们的订单发送给餐厅，餐厅准备菜品后，外卖员将菜品送我们你手中。在MCP Server中，外部系统处理请求后，将结果返回给MCP Server，MCP Server再将结果返回给客户端。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​