
MCP vs functieaanroepen: hoe koppel je tools aan AI-agenten
Vergelijking: MCP versus function calling - Function calling (tool calling) via het model: - Sterke punten: Lage latency, geen extra processen, eenvoudig om direct Python-functies of HTTP-clients aan te roepen vanuit je host-app. Ideaal voor één app, één toolset. - Zwakke punten: Strakke koppeling aan je runtime; hergebruik tussen apps/agents is lastiger; sandboxing en permissies moet je zelf regelen; discoverability van tools is beperkt tot wat je in code bundelt. - MCP (Model Context Protocol): - Sterke punten: Gestandaardiseerde interface voor tools; decoupling tussen agent en tools; tools zijn discoverable (list_tools), self-describing (schema’s), en kunnen door meerdere agents/clients hergebruikt worden; betere isolatie en governance (aparte processen/containers). - Zwakke punten: Extra laag en procescommunicatie (JSON-RPC) introduceert overhead en complexiteit; je hebt een server en client nodig; minimale leercurve. Onderstaande Python-templates laten dezelfde order lookup zien: 1) direct (rechtstreeks naar CometAPI), 2) via function calling met het model, 3) via MCP (server die CometAPI publiceert; client die de tool aanroept), 4) en een bridge waarbij het model een tool call triggert en de host die via MCP uitvoert. Benodigdheden - Python 3.10+ - pip install requests anyio openai mcp - Omgevingsvariabelen: - COMET_BASE_URL: basis-URL van CometAPI, bijv. https://api.example.com - COMET_API_KEY: API key indien vereist - OPENAI_API_KEY: voor function calling voorbeelden Bestand: comet_api.py import os import typing as t import requests class CometAPI: def __init__( self, base_url: t.Optional[str] = None, api_key: t.Optional[str] = None, timeout: int = 10, ) -> None: self.base_url = (base_url or os.environ.get("COMET_BASE_URL") or "").rstrip("/") if not self.base_url: raise ValueError("COMET_BASE_URL is niet gezet") self.api_key = api_key or os.environ.get("COMET_API_KEY") self.timeout = timeout def _headers(self) -> dict: headers = {"Accept": "application/json"} if self.api_key: headers["Authorization"] = f"Bearer {self.api_key}" return headers def get_order(self, order_id: str) -> dict: if not order_id: raise ValueError("order_id is verplicht") url = f"{self.base_url}/orders/{order_id}" resp = requests.get(url, headers=self._headers(), timeout=self.timeout) resp.raise_for_status() data = resp.json() if not isinstance(data, dict): raise ValueError("Onverwacht antwoordformaat; verwacht JSON object") return data def find_orders(self, email: t.Optional[str] = None, status: t.Optional[str] = None) -> dict: params = {} if email: params["email"] = email if status: params["status"] = status url = f"{self.base_url}/orders" resp = requests.get(url, headers=self._headers(), params=params, timeout=self.timeout) resp.raise_for_status() return resp.json() Bestand: direct_lookup.py import sys from pprint import pprint from comet_api import CometAPI def main(): if len(sys.argv) > 1: order_id = sys.argv[1] else: order_id = "ORD-1001" api = CometAPI() data = api.get_order(order_id) print(f"Order {order_id}:") pprint(data) if __name__ == "__main__": main() Bestand: llm_function_calling.py import json from pprint import pprint from openai import OpenAI from comet_api import CometAPI def build_tools_schema(): return [ { "type": "function", "function": { "name": "get_order", "description": "Haalt ordergegevens op aan de hand van order_id.", "parameters": { "type": "object", "properties": { "order_id": { "type": "string", "description": "Het ordernummer, bijv. ORD-1001" } }, "required": ["order_id"] }, }, } ] def execute_tool_call(name: str, arguments_json: str): if name == "get_order": args = json.loads(arguments_json or "{}") order_id = args.get("order_id") api = CometAPI() result = api.get_order(order_id) return {"ok": True, "data": result} raise ValueError(f"Onbekende tool: {name}") def main(): client = OpenAI() model = "gpt-4o-mini" messages = [ {"role": "system", "content": "Je bent een behulpzame assistant."}, { "role": "user", "content": "Zoek de orderstatus voor ORD-1001 en geef een korte samenvatting." }, ] # Eerste call: model kan beslissen om de tool te gebruiken resp = client.chat.completions.create( model=model, messages=messages, tools=build_tools_schema(), tool_choice="auto", temperature=0 ) msg = resp.choices[0].message tool_calls = msg.tool_calls or [] if not tool_calls: print("Model gaf antwoord zonder tool; antwoord:") print(msg.content) return # Voer elke tool call uit en verzamel resultaten tool_results = [] for tc in tool_calls: name = tc.function.name args = tc.function.arguments result = execute_tool_call(name, args) tool_results.append( { "role": "tool", "tool_call_id": tc.id, "name": name, "content": json.dumps(result), } ) # Tweede call: geef tool-resultaten terug aan het model voor eindantwoord messages2 = messages + [msg] + tool_results resp2 = client.chat.completions.create( model=model, messages=messages2, temperature=0 ) final_answer = resp2.choices[0].message.content print("Antwoord van het model:") print(final_answer) if __name__ == "__main__": main() Bestand: mcp_server.py # Opmerking: Dit gebruikt de MCP Python SDK (https://pypi.org/project/mcp). # Afhankelijk van de SDK-versie kunnen namen licht afwijken. Zie de officiële docs # voor eventuele kleine aanpassingen. import os import json import anyio from comet_api import CometAPI # MCP server primitives from mcp.server import Server from mcp.server.stdio import stdio_server server = Server("comet-tools") @server.tool() async def get_order(order_id: str) -> str: """ MCP tool: get_order Argumenten: - order_id: string Retourneert: - JSON string met ordergegevens """ api = CometAPI() # Run sync HTTP call in thread om de eventloop niet te blokkeren data = await anyio.to_thread.run_sync(api.get_order, order_id) # MCP tools retourneren content; strings zijn veilig en self-describing return json.dumps({"ok": True, "data": data}) async def main(): # stdio server maakt het mogelijk om via stdin/stdout te praten met clients async with stdio_server() as (reader, writer): await server.run(reader, writer) if __name__ == "__main__": anyio.run(main) Bestand: mcp_client_demo.py # Eenvoudige MCP client die mcp_server.py start en de tool aanroept. # Draai in een terminal: # python mcp_server.py # En in een andere: # python mcp_client_demo.py ORD-1001 import sys import json import anyio from mcp.client import Client from mcp.client.stdio import stdio_client async def run(order_id: str): # Verbind met een reeds draaiende server via stdio_client en een command # Optie 1: start server als subproces: # async with stdio_client(command=[sys.executable, "mcp_server.py"]) as (reader, writer): # Optie 2: verbind naar bestaande server (stdin/stdout; sommige SDK’s ondersteunen sockets) async with stdio_client(command=[sys.executable, "mcp_server.py"]) as (reader, writer): client = Client() await client.initialize(reader, writer) # Optioneel: ontdek beschikbare tools tools = await client.list_tools() tool_names = [t.name for t in tools] if "get_order" not in tool_names: raise RuntimeError("Tool 'get_order' niet gevonden") # Roep de tool aan result = await client.call_tool("get_order", {"order_id": order_id}) # Result kan content-blokken bevatten; ga uit van één string-blok content = result.content[0].text if result.content else "" obj = json.loads(content) if content else {} print(json.dumps(obj, indent=2)) def main(): order_id = sys.argv[1] if len(sys.argv) > 1 else "ORD-1001" anyio.run(run, order_id) if __name__ == "__main__": main() Bestand: llm_mcp_bridge.py # Dit laat zien hoe je het model laat beslissen 'get_order' te gebruiken, maar de daadwerkelijke # uitvoering via MCP laat lopen in plaats van direct CometAPI te bellen. # De tool signature in het model blijft hetzelfde; de host code routeert naar MCP. import json from pprint import pprint from openai import OpenAI import anyio from mcp.client import Client from mcp.client.stdio import stdio_client def build_tools_schema(): return [ { "type": "function", "function": { "name": "get_order", "description": "Haalt ordergegevens op aan de hand van order_id.", "parameters": { "type": "object", "properties": { "order_id": { "type": "string", "description": "Het ordernummer, bijv. ORD-1001" } }, "required": ["order_id"] }, }, } ] async def call_mcp_get_order(order_id: str) -> dict: async with stdio_client(command=["python", "mcp_server.py"]) as (reader, writer): client = Client() await client.initialize(reader, writer) result = await client.call_tool("get_order", {"order_id": order_id}) content = result.content[0].text if result.content else "" return json.loads(content) if content else {} def main(): client = OpenAI() model = "gpt-4o-mini" messages = [ {"role": "system", "content": "Je bent een behulpzame assistant."}, {"role": "user", "content": "Wat is de status van ORD-1001?"}, ] resp = client.chat.completions.create( model=model, messages=messages, tools=build_tools_schema(), tool_choice="auto", temperature=0 ) msg = resp.choices[0].message tool_calls = msg.tool_calls or [] if not tool_calls: print("Model gaf antwoord zonder tool; antwoord:") print(msg.content) return # Voer tool via MCP tc = tool_calls[0] args = json.loads(tc.function.arguments or "{}") order_id = args.get("order_id") mcp_result = anyio.run(call_mcp_get_order, order_id) tool_result_message = { "role": "tool", "tool_call_id": tc.id, "name": "get_order", "content": json.dumps(mcp_result), } # Tweede call voor eindantwoord messages2 = messages + [msg, tool_result_message] resp2 = client.chat.completions.create( model=model, messages=messages2, temperature=0 ) final_answer = resp2.choices[0].message.content print("Antwoord van het model:") print(final_answer) if __name__ == "__main__": main() Uitvoerinstructies - Installeer dependencies: - pip install requests anyio openai mcp - Stel omgevingsvariabelen: - export COMET_BASE_URL="https://api.example.com" - export COMET_API_KEY="..." (indien nodig) - export OPENAI_API_KEY="..." - Directe lookup: - python direct_lookup.py ORD-1001 - Function calling (rechtstreeks): - python llm_function_calling.py - MCP: start server en client: - Terminal 1: python mcp_server.py - Terminal 2: python mcp_client_demo.py ORD-1001 - LLM via MCP-bridge: - python llm_mcp_bridge.py Opmerkingen - De MCP SDK kan kleine API-verschillen hebben per versie; als een import of methode niet bestaat, raadpleeg de Model Context Protocol Python SDK documentatie en pas de server/client imports of methoden licht aan. - CometAPI in deze templates is generiek; vervang COMET_BASE_URL door de echte service en pas de endpoints/velden aan.






