探索 MCP 与 Function Calling：大模型智能体系统的优化之道

在构建大模型驱动的智能体（Agent）系统时，Function Calling 是让模型调用外部工具的核心机制。然而，随着工具数量增长、模型种类增多，传统 Function Calling 逐渐暴露出上下文爆炸、跨模型兼容性差等问题。MCP（Model Context Protocol） 应运而生，它通过按需加载、分层调用等机制，在不改变模型能力的前提下，为智能体系统提供了更高效、更统一的基础设施。本教程将系统解析两者的差异与联系，并详细拆解 MCP 的优化原理与实现流程。

一、Function Calling 的上下文爆炸风险与解决方案

核心问题： 每次调用模型时，所有函数的定义（functions 或 tools）都会被注入到 system message 中，占用上下文窗口并按输入 token 计费。OpenAI 官方明确说明：

“functions 会被注入到 system message 中，因此它们会占用上下文并按输入 token 计费；如果遇到上下文极限，应当减少函数数量或精简参数描述。”

只要所有输入 token（系统提示 + 函数列表 + 对话历史 + 用户提问）之和 没有超过 所选模型的最大上下文窗口，就不会触发 context_length_exceeded 错误；反之就会报错。

哪些场景下上下文容易“爆”？

• 函数描述写得尤为冗长（例如：将完整 OpenAPI schema 逐字段贴进去）；
• 对话历史很长且未做截断；
• 一次性把所有函数都塞给中小窗口模型。

解决方案： 精简函数描述、对历史对话进行摘要或截断、根据用户意图动态筛选需要暴露的函数——这正是 MCP 的核心思路之一。