将大语言模型（LLM）与外部工具连接，是扩展其能力的主流方法。通过给模型提供工具，它就能查询数据、调用 API，完成更复杂的任务。
提供工具时，可以使用 MCP 模式，简单来说：由一个外部的、集中的工具服务来提供所有工具，开发者写的应用直接调用这个服务，让它去和模型沟通。
这样做表面上简化了开发，开发者不用自己管理工具了。但问题也恰恰出在这里：应用的开发者，失去了对模型上下文的精确控制权。
这是一个根本性的问题，会引发一连串的麻烦。
一个具体的例子：MCP 架构
我们来看看 MCP（Model Context Protocol）这个框架的实现方式。它清楚地展示了这种分离模式。
在 MCP 的世界里，开发者分为两类：
- Server 开发者：他们负责创建工具。
- Client 开发者：他们负责写真正面向用户的应用，并调用 Server 提供的工具。
在 /weather.py 这个 Server 示例中，Server 开发者用一个 @mcp.tool() 的修饰符来定义一个工具：- @mcp.tool()
- async def get_alerts(state: str) -> str:
- """Get weather alerts for a US state.
- Args:
- state: Two-letter US state code (e.g. CA, NY)
- """
- # ... function logic here
然后，一个完全不同的 Client 开发者，在他的应用 client.py 中需要使用工具。他并不会自己定义工具，而是通过代码去“询问”Server 有哪些可用的工具。
[code]## Client开发者写的代码## 向Server询问有哪些可用的工具response = await self.session.list_tools()# 将Server返回的工具列表转换成模型需要的格式available_tools = [{ "name": tool.name, "description": tool.description, "input_schema": tool.inputSchema} for tool in response.tools]# 把这个从Server拿到的工具列表，直接传给大模型response = self.anthropic.messages.create( model="claude-3-5-sonnet", messages=messages, tools=available_tools # |
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜
