最近，关于 MCP（Model-Conditioned Prompting）、Function Calling 的讨论越来越多，但很多开发者还是一头雾水：它们到底有什么区别？又和 AI Agent 关系几何？

1. MCP 是什么？

MCP，全称 Model-Conditioned Prompting，可以理解为“大模型条件化提示”，核心思想是：

•  在 prompt 中嵌入特定条件或约束，让模型输出更贴合业务场景。

•  类似“提示模板 + 业务规则”，但灵活性高，可动态调整。

• 优点：不需要改模型，只改提示即可适配多场景。

• 局限：如果 prompt 设计不好，容易输出不可控结果。

简单类比：MCP 就像你告诉模型“写一封邮件给客户，语气正式但不生硬”，模型会基于这个条件生成文本。

---

2. Function Calling 是什么？

Function Calling 是 OpenAI 和其他 LLM 提供的一种 “让模型直接调用函数接口” 的能力：

• 模型生成文本时，可以输出 结构化 JSON 或特定函数调用格式。

• 系统收到模型调用指令后，直接执行对应函数，返回结果给模型或用户。

• 优点：可以和现有系统无缝衔接，实现自动化操作。

• 局限：函数接口定义需要提前规划，否则容易调用失败或报错。

类比：Function Calling 就像模型在对话中自己写好函数调用的“指令书”，系统照着执行。

---

3. MCP 与 Function Calling 有何区别？

特性	MCP	Function Calling
核心目标	提升模型生成内容的符合度	将模型生成内容转化为可执行操作
技术手段	提示设计、条件嵌入	函数接口、结构化输出
输出结果	文本/内容	JSON/函数调用指令
可控性	依赖 prompt 设计	依赖函数接口定义
使用场景	文本生成、内容合规	系统操作、数据查询、自动化任务

MCP 是“让模型说得更准确”，Function Calling 是“让模型做得更实际”。

---

4. 与 AI Agent 的关系

AI Agent 可以理解为多能力组合的智能体，本质上是：

• • 接收用户输入

• • 调用大模型生成指令

• • 根据指令调用系统接口（API / 数据库 / 工具）

• • 返回结果给用户

在 Agent 架构中：

• • MCP：用来优化模型生成策略，让 Agent 更聪明。

• • Function Calling：让 Agent 真正去执行操作，不只是生成文本。

也就是说，MCP + Function Calling = AI Agent 的核心能力组合。

---

5. 技术实践中的坑

在实际落地过程中，测试开发和产品会遇到这些问题：

1. 1. MCP 提示设计难

   • • 多条件 prompt 可能互相冲突，模型输出不稳定

   • • 解决方案：逐步调试，使用少量示例 + 验证集

2. 2. Function Calling 参数设计复杂

   • • JSON schema 错误、必填字段遗漏容易报错

   • • 解决方案：严格定义 schema，自动化测试调用接口

3. 3. 多工具、多模型协作复杂

   • • Agent 可能需要同时调用搜索、数据库、内部 API

   • • 解决方案：设计统一的指令/接口标准，添加异常处理

4. 4. 不可控输出

   • • 即使 Function Calling，模型也可能输出非法或多余内容

   • • 解决方案：在系统端做二次校验，增加安全策略

---

6. 写在最后

MCP 和 Function Calling，看似概念不同，但在 AI Agent 中相辅相成：

• • MCP 优化“脑”，让 Agent 更聪明

• • Function Calling 优化“手”，让 Agent 更能动

掌握这两者，你就能理解现代智能体的底层设计逻辑，也更容易在测试和开发实践中落地。

推荐阅读

精选技术干货

精选文章

Docker

• Docker cp命令详解：在Docker容器和主机之间复制文件/文件夹

• Docker pull 命令详解：从镜像仓库获取镜像

• 深入理解 Docker Run 命令：从入门到精通

• Docker Exec 命令详解与实践指南

• Docker Kill/Pause/Unpause命令详细使用指南

• Docker Logs命令详解 1

Selenium

• 多任务一次搞定！selenium自动化复用浏览器技巧大揭秘

• 如何使用Selenium处理隐藏元素

• 软件测试/测试开发/全日制|selenium NoSuchDriverException问题解决

• 软件测试/人工智能|解决Selenium中的异常问题：“error sending request for url”

学社精选

• 测试开发之路 大厂面试总结 - 霍格沃兹测试开发学社 - 爱测-测试人社区
• 【面试】分享一个面试题总结，来置个顶 - 霍格沃兹测试学院校内交流 - 爱测-测试人社区 1
• 测试人生 | 从外包菜鸟到测试开发，薪资一年翻三倍，连自己都不敢信！（附面试真题与答案） - 测试开发 - 爱测-测试人社区
• 人工智能与自动化测试结合实战-探索人工智能在测试领域中的应用
• 爱测智能化测试平台
• 自动化测试平台
• 精准测试平台
• AI测试开发企业技术咨询服务
• 全面解析软件测试开发：人工智能测试、自动化测试、性能测试、测试左移、测试右移到DevOps如何驱动持续交付

技术成长路线

系统化进阶路径与学习方案

• 人工智能测试开发路径
• 名企定向就业路径
• 测试开发进阶路线
• 测试开发高阶路线
• 性能测试进阶路径
• 测试管理专项提升路径
• 私教一对一技术指导
• 全日制 / 周末学习计划
• 公众号：霍格沃兹测试学院
• 视频号：霍格沃兹软件测试
• ChatGPT体验地址：霍格沃兹测试开发学社
• 霍格沃兹测试开发学社

企业级解决方案

测试体系建设与项目落地

• 全流程质量保障方案
• 按需定制化测试团队
• 自动化测试框架构建
• AI驱动的测试平台实施
• 车载测试专项方案
• 测吧（北京）科技有限公司

技术平台与工具

自研工具与开放资源

• 爱测智能化测试平台 - 测吧（北京）科技有限公司
• ceshiren.com 技术社区
• 开源工具 AppCrawler
• AI测试助手霍格沃兹测试开发学社
• 开源工具Hogwarts-Browser-Use

人工智能测试开发学习专区

• 人工智能/AI/为什么测试工程师需要掌握AI_哔哩哔哩_bilibili

• 人工智能在音频、视觉、多模态领域的应用_哔哩哔哩_bilibili

• 从0到1打造AI工作流：测试用例/测试架构图/测试报告/简历/PPT全自动生成

• 视觉识别在自动化测试中的应用-UI测试与游戏测试
  OpenAI Whisper 原理解析：如何实现高精度音频转文字_哔哩哔哩_bilibili

• 人工智能产品测试：从理论到实战
  专家系统与机器学习的概念_哔哩哔哩_bilibili

• AI驱动的全栈测试自动化与智能体开发
  基于LangChain手工测试用例生成工具_哔哩哔哩_bilibili

• 人工智能应用开发实战 ​LangChain+RAG+智能体全解析
  大语言模型应用开发框架 LangChain_哔哩哔哩_bilibili