简单说，Function Call 是 Agent 调用工具的"语言"，让 Agent 能"听懂"并"指挥"工具

Function Call：Agent 的"指令生成器"

Function Call 是让大语言模型能够以结构化方式调用外部函数/API的核心机制。你可以把它理解为：Agent 先理解用户的意图，然后生成一条标准的"指令书"，告诉系统该调用哪个工具、传什么参数。

它的工作流程大致是：

1. 用户提出需求（如："查询北京的天气"）
2. Agent 识别意图并生成一个标准化的 JSON 调用指令，指定要调用 get_weather 函数，参数为 city: "Beijing"
3. 系统执行该指令，获取结果并返回给 Agent
4. Agent 将结果组织成自然语言回复用户

Function Call 的局限在于：它通常依赖于特定模型（如 OpenAI）和预定义的函数集，当工具数量增加或需要更换模型时，适配工作会变得复杂。简单说，它的集成是"一对一"的定制化对接

本质是什么

本质上就是：

把“AI 的意图”翻译成“程序能执行的指令”。

假设你让 Agent 帮忙查天气，整个过程可以拆解为三步：

1. 你问：“今天北京天气怎么样？”
2. AI 思考：他想调用一个叫 get_weather 的函数。
3. AI 输出：他不是直接回答你，而是生成一张“表格”：

{
  "function": "get_weather",
  "parameters": {
    "city": "北京",
    "date": "2026-06-23"
  }
}

然后你的代码收到这张表格，去执行真正的天气查询，把结果再送回给 AI，AI 再用自然语言告诉你。

类比例子

你可以把 Function Call 想象成：

• AI 是“点单员”：他记录你要什么（比如“来一杯拿铁”）
• Function Call 是“点菜单”：点单员把你说的话写成标准格式的菜单（咖啡：拿铁，温度：热，糖：半糖）
• 程序是“咖啡机”：根据菜单自动制作

AI 并不需要知道怎么操作咖啡机，他只需要会填菜单就行了。 这就是 Function Call 的核心——让 AI 把意图结构化。

如果 Function Call 是点菜单，那么 MCP 就是统一了所有菜单格式和外卖柜的标准：

• 以前：每家店（工具）都有自己的点菜单格式，AI 要适配每家店的格式
• 现在：有了 MCP 这个“统一标准”，AI 和所有工具之间用标准格式通信，新工具来了也能即插即用

MCP 像是 USB-C 接口：不用每家店定制不同接口，一个标准通吃所有。