在AI工程领域，三个核心概念——Function Calling、Skills和MCP——在构建稳健可扩展的AI应用中扮演关键角色。让我们用实战代码逐一拆解。
1. Function Calling：基础机制
Function Calling不是AI模型自己变魔术般地执行代码。把大语言模型（LLM）想象成运行在GPU上的纯文本引擎——它们对你的数据库或API一无所知。
本质上，Function Calling是一种结构化输出机制：
- 你给模型提供一个定义本地函数结构的
Schema。 - 模型处理自然语言输入，推理后输出严格遵循
Schema的JSON对象。 - 你的本地代码才是真正执行动作的部分。
# 定义天气查询函数的Schema
weather_function_schema = {
"name": "get_weather",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string"},
"date": {"type": "string", "format": "yyyy-mm-dd"}
},
"required": ["city", "date"]
}
}
# 将schema发送给LLM，获取结构化JSON响应
llm_response = llm_client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "明天东京天气怎么样？"}],
tools=[{"type": "function", "function": weather_function_schema}]
)
# 提取并执行函数调用
function_call = llm_response.choices[0].message.tool_calls[0].function
weather_data = execute_local_function(function_call.name, function_call.arguments)Function Calling解决了将自然语言意图转化为代码可理解参数的问题。它像代码库中的单个函数——基础但单独使用时功能有限。
2. Skills：模块化业务能力
Function Calling虽然强大，但把数百个独立函数Schema塞进单个提示词会导致上下文过载，模型崩溃或行为不可预测。这就是Skills的用武之地。
Skills是高内聚的业务能力模块，打包了：
- 特定提示词（如DevOps指南）。
- 多个Function Call。
- 甚至重试逻辑。
以 DevOps_Skill 模块为例：
class DevOpsSkill:
def __init__(self):
self.log_schema = self._define_log_function_schema()
self.git_schema = self._define_git_function_schema()
self.monitoring_schema = self._define_monitoring_function_schema()
self.prompt_template = "你是DevOps助手。使用工具回答：{question}"
def _define_log_function_schema(self):
return {
"name": "query_logs",
"parameters": {
"type": "object",
"properties": {"service": {"type": "string"}, "timeframe": {"type": "string"}},
"required": ["service", "timeframe"]
}
}
def execute(self, user_question):
prompt = self.prompt_template.format(question=user_question)
llm_response = llm_client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
tools=[{"type": "function", "function": self._get_relevant_schemas(user_question)}]
)
return self._process_llm_response(llm_response)将相关功能封装为Skill，避免上下文过载，让AI应用更易维护。Skills就像代码中的类或工具包——抽象复杂性，促进复用。
3. MCP：AI生态系统的标准接口
即使有了Function Calling和Skills，一个关键痛点仍然存在：系统级紧耦合。为一个AI平台构建的Skill通常无法复用到另一个——从Python脚本迁移到Claude或Cursor需要重写一切。
MCP（Model Context Protocol）是AI的标准接口。它将LLM的推理"大脑"与外部工具和数据解耦：
- 你的AI应用作为MCP Client。
- 你的Skills、本地文件或数据库包装为MCP Server。
- 通过标准化协议通信，实现工具和数据资源的动态发现、零适配代码集成（即插即用）。
# MCP Server：暴露天气服务
from mcp import MCPServer, register_tool
class WeatherMCPServer(MCPServer):
@register_tool(name="get_weather", description="查询城市天气")
def get_weather(self, city: str, date: str) -> dict:
return {"city": city, "date": date, "temperature": "25°C", "condition": "晴"}
server = WeatherMCPServer(host="localhost", port=8080)
server.start()
# MCP Client：使用天气服务
from mcp import MCPClient
client = MCPClient()
weather_data = client.call_tool("get_weather", {"city": "东京", "date": "2026-10-31"})
print(weather_data)MCP消除了"集成地狱"，确保为一个平台构建的工具和数据能无缝跨平台工作。
三者关系：AI工程的层次架构
- Function Calling 是微观动作层——将意图转化为可执行参数。
- Skills 是中观模块层——打包相关能力实现复用。
- MCP 是宏观集成层——实现标准化和生态系统互操作。
构建生产级AI应用：
- 用Function Calling处理细粒度动作。
- 将相关Function Call和逻辑打包为Skills，实现可维护的业务能力。
- 采用MCP确保Skills和工具跨平台工作、随AI生态系统扩展。
三者协同使用，你将超越脆弱的一次性AI脚本，构建稳健、可扩展、可互操作的AI解决方案。
常见问题
Function Calling和MCP有什么区别？
Function Calling是单次LLM交互中的机制——你定义Schema，模型输出结构化JSON，你的代码执行。MCP是更广泛的协议，标准化任何AI应用如何跨不同平台和语言发现和调用外部工具。Function Calling像单次API调用，MCP是使这些调用可移植和可互操作的整个服务架构。MCP底层常包装Function Calling，但增加了发现、标准化和跨平台兼容性。
如果只构建简单AI应用，需要MCP吗？
简单单一用途应用，Function Calling就够了。只有当你希望工具能跨不同AI平台（Claude、Cursor、自定义应用）复用，或构建复杂多工具系统时才需要MCP。从Function Calling和Skills开始。当你发现自己在为不同平台重写相同的工具集成时，就是采用MCP的信号。
Skills与Claude Code的插件系统有什么关系？
Claude Code的插件系统本质上就是Skills的实现。每个插件将提示词、工具Schema和执行逻辑打包成可复用模块——正是Skills在架构层面描述的内容。无论构建Claude Code插件、LangChain工具还是自定义Agent框架，原理相同。理解Skill概念有助于设计更好的插件，不限于特定平台。