企业官网建设流程全解析

什么是Function Calling？原理是什么

工具定义使用JSON Schema描述，description字段是LLM判断是否调用的核心依据；运行时是「两轮对话+中间执行」的闭环流程；模型通过finish_reason为tool_calls来明确告知需要工具帮助；以及模型支持一次返回多个tool_calls实现并行调用。

• LLM全程只负责决策，输出结构化的JSON调用请求，真正执行工具的是宿主程序代码，这个职责分工是整个机制的核心设计。
• Function Calling的关键改进是LLM直接输出结构化JSON而非自然语言，让工具调用有了统一标准。

LLM是如何学会调用外部工具的?

SFT通过大量包含完整工具调用流程的对话样本，让模型学会识别工具定义、判断要不要调用、输出规范JSON的整套流程；RLHF通过人类打分训练奖励模型，再让强化学习调整主模型，让它建立「能直接回答就不调用工具」的边界感。另外运行时的Function Calling机制，模型只负责决策输出JSON，代码负责执行。

训练层面靠两个阶段：

• SFT（监督微调）：给模型喂入大量「工具调用示范对话」，让它通过模仿学会「看到工具描述→判断要不要调用→输出结构化JSON请求」整套流程
• RLHF（基于人类反馈的强化学习）：收集人类对「哪种回答更好」的判断，训练一个打分器，再用这个分数反复调整模型，让它学会什么是否不应该调用工具

运行层面，在每次调用请求时，应用代码将工具描述（Schema）传给模型，模型如果判断需要工具，就结构化输出一个tool_calls JSON；代码拿到这段JSON去真正执行，把结果塞回对话，模型再给出最终答案。

MCP协议

Function Calling解决的是「模型怎么输出结构化的工具调用请求」，而MCP解决的是「工具怎么标准化接入、一次实现到处复用」，两者是不同层面的东西。MCP是开放协议，任何支持MCP的客户端都可以接入。MCP不是Function Calling的替代品，而是建立在Function Calling之上的。

MCP解决的工具接入碎片化问题，每接入一个新工具都要单独写对接代码，换个客户端又得重写。MCP是Client-Server架构，Server是工具实现方，Client是AI应用侧，一个Client可以连接多个Server。

MCP核心能力：Tools是有副作用的操作（需要授权），Resources是只读数据（无副作用），Prompts是可复用的提示词模板。

底层通信使用JSON-RPC 2.0，传输层支持Stdio（本地）和Streamable HTTP（远程）两种方式。

MCP和CLI

MCP获取到数据会被完整输入LLM的上下文窗口中，提供给模型读取和理解，上下文窗口的大小是有限的，当数据量比较大时会撑爆窗口，导致模型无法处理而报错或中断回答。

MCP 的通信机制和 LLM 的架构限制：

• 上下文窗口是瓶颈
• 数据溢出会导致错误
• 累积效应加剧问题

为什么换成“脚本”就没问题？

CLI脚本可以绕过MCP的问题，核心是改变了数据流向：

• MCP数据流入模型：数据被拉进LLM上下文窗口，成为模型思考的一部分，大数据会直接撑爆窗口导致失败
• 脚本数据留在外部：脚本在模型外部执行，数据被处理后，只把精简的结果（如一个路径、一个简短摘要）返回给模型，模型只需要处理少量文本，避免了窗口溢出的风险。

工程最佳实践：

1. MCP Server要优化返回数据，只返回必要字段或摘要
2. 对于大数据，MCP Server 可以提供“先检索、再按需获取”的工具组合。先用工具A找到目标，再用工具B获取特定部分
3. 可以在 MCP Client（如 Claude Desktop）和 Server 之间加一个代理层（Proxy），自动拦截大响应，存到外部存储，只返回一个摘要和ID给模型，模型后续可以再通过特定工具按需获取详情
4. 将 MCP 工具调用的结果缓存起来，当模型再次需要相同数据时，可以直接从缓存读取，避免重复调用和上下文污染

MCP 不是银弹，它只是桥梁。

真正的高级用法，是不要让模型去“看”数据，而是让模型去“指挥”工具处理数据。

把模型当成大脑，把 MCP 工具当成手脚。大脑不需要记住身体的每一个细胞，只需要能指挥手脚去拿东西即可。

为什么有些特定的模型不支持MCP协议？

推理模型的思考链是一次性连续生成的，不能中途打断；工具调用天然需要在生成过程中暂停等待外部执行，这和连续生成的范式冲突；MCP底层依赖于Function Calling，推理模型连Function Calling都支持不好，MCP自然也使用不了。

但时候后续模型迭代中采用了折中方案，在保证推理质量和支持工具调用之间找平衡点。就是让工具调用发生在思考阶段结束后，保证思考过程仍然完整连续；后续还有允许在多次工具调用之间穿插思考，部分缓解了局限。

Agent Skill

Agent Skill是一个能力包，本质是一个包含指令、脚本和资源的文件夹。它的核心是完成特定任务的复杂流程、专业知识和最佳实践，封装成AI可以随时查阅和执行的操作手册。Agent能自动发现它、按需加载它、在需要时调用里面的脚本和资源。它不只是存prompt，而是一份Agent能自己翻阅的操作手册和工具箱。每个skill都是一个文件夹，里面有skill.md指令文件，可以带上脚本、模板、参考文档等资源。

和Prompt的区别：Skill能被Agent自动发现和按需加载，不能每次手动输入

和MCP工具的区别：MCP给Agent提供外部工具和数据的访问能力，而Skill教Agent拿到这些工具和数据后该怎么使用。

Skill具有渐进式加载设计，三层加载机制（只读元数据→按需加载指令→用到时才读取资源）

Prompt、Tool和Agent Skill的区别

• Tool 和 Skill 互补，不冲突：Tool 是「能做什么」，Skill 是「该按什么流程做 」。给新人配了电脑和所有权限（Tool），他也不知道怎么完成代码审查（需要 Skill）。
• Skill ≠ 保存好的 Prompt：Skill 多了「自动发现」「按需加载」「配套脚本模板」「团队复用」这四样东西。把它当 prompt 文件夹理解就对了。
• Skill vs CLI：两者都打包指令，但 CLI 必须手动输入/code-review触发；Skill 是 Agent 看到任务后自己判断「这个需要code-review」然后主动加载。

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI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

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。