MCP so với gọi hàm: Cách kết nối công cụ với tác nhân AI

from openai import OpenAI client = OpenAI( api_key="YOUR_COMETAPI_KEY", base_url="https://api.cometapi.com/v1", ) response = client.chat.completions.create( model="gpt-5-mini", messages=[{"role": "user", "content": "Build this workflow."}], ) print(response.choices[0].message.content)

TL;DR

Gọi hàm cung cấp cho mô hình cách để yêu cầu một công cụ. MCP cung cấp cho ứng dụng một cách chuẩn để khám phá và gọi các công cụ trên máy chủ. Dùng tích hợp hàm trực tiếp khi bạn có một bộ công cụ nhỏ do ứng dụng sở hữu. Thêm MCP khi bạn muốn tiêu thụ một dịch vụ tương thích hiện có hoặc phơi bày các công cụ qua một giao diện dùng chung. Bên dưới, bạn sẽ kết nối cùng một tra cứu đơn hàng theo cả hai cách qua CometAPI, sử dụng một vòng lặp tác nhân hoàn chỉnh.

Key Takeaways

Bắt đầu với phân phối trực tiếp khi vài công cụ phục vụ một ứng dụng; dùng MCP khi một dịch vụ công cụ tương thích hoặc một giao diện công cụ dùng chung giúp việc tích hợp dễ bảo trì hơn.
Cả hai hướng đều cần một vòng lặp hoàn chỉnh: mô tả công cụ, nhận yêu cầu gọi, thực thi, trả kết quả và để mô hình trả lời.

So sánh	Gọi hàm	MCP
Kết nối	Hành động yêu cầu của mô hình tới mã ứng dụng	Client MCP của ứng dụng tới máy chủ công cụ
Vai trò chính	Cho phép mô hình yêu cầu một thao tác được đặt tên với đối số có cấu trúc	Chuẩn hóa cách các ứng dụng tương thích khám phá và gọi các công cụ của máy chủ
Định nghĩa công cụ	Định nghĩa được cung cấp theo định dạng API của mô hình	Định nghĩa do máy chủ cung cấp, bao gồm inputSchema
Vị trí thực thi	Trình xử lý mà ứng dụng phân phối tới, có thể gọi dịch vụ cục bộ hoặc từ xa	Triển khai công cụ trên máy chủ MCP, có thể gọi dịch vụ backend
Có cần máy chủ riêng?	Bản thân giao diện gọi hàm không yêu cầu máy chủ	Cần máy chủ MCP, nhưng client có thể khởi chạy nó như một tiến trình con stdio cục bộ; dịch vụ từ xa triển khai riêng là tùy chọn
Trường hợp điển hình	Vài công cụ thuộc sở hữu ứng dụng với phân phối trực tiếp	Các dịch vụ tương thích hiện có hoặc một giao diện công cụ được tái sử dụng giữa nhiều ứng dụng
Có thể hoạt động cùng nhau?	Ứng dụng có thể định tuyến yêu cầu hàm của mô hình qua MCP	Client MCP đáp ứng yêu cầu đó bằng tools/call và trả kết quả về cho ứng dụng

"""A deliberately narrow direct/MCP bridge, not a general MCP adapter.""" import argparse import asyncio import json import os from pathlib import Path import sys from urllib.request import Request, urlopen from mcp import Client, StdioServerParameters from mcp.client.stdio import stdio_client from orders import get_order_status NAME = "get_order_status" SCHEMA = {"type": "object", "properties": {"order_id": {"type": "string"}}, "required": ["order_id"], "additionalProperties": False} TOOL = {"type": "function", "name": NAME, "description": "Look up fictional order ORD-104.", "parameters": SCHEMA, "strict": True} def validate_arguments(arguments): # Exact validation for SCHEMA above; deliberately not a JSON Schema engine. if (not isinstance(arguments, dict) or set(arguments) != {"order_id"} or not isinstance(arguments["order_id"], str)): raise ValueError("Expected exactly one string argument: order_id") def validate_catalog(tools): if len(tools) != 1 or tools[0].name != NAME: raise RuntimeError("Unexpected MCP tool catalog") schema = tools[0].input_schema if (schema.get("type") != "object" or schema.get("required") != ["order_id"] or set(schema.get("properties", {})) != {"order_id"} or schema["properties"]["order_id"].get("type") != "string"): raise RuntimeError("MCP schema does not match this reviewed demo tool") async def dispatch(name, arguments, client=None): if name != NAME: raise ValueError("Tool is not allowlisted") try: validate_arguments(arguments) if client is None: return {"is_error": False, "data": get_order_status(**arguments)} except ValueError as error: return {"is_error": True, "error": str(error)} result = await client.call_tool(name, arguments) if getattr(result, "result_type", "complete") != "complete": raise RuntimeError("Input-required MCP results are outside this demo") if any(block.type != "text" for block in result.content): raise RuntimeError("Non-text MCP content is outside this demo") return {"is_error": bool(result.is_error), "content": [block.text for block in result.content], "structured_content": result.structured_content} async def run_agent(send, execute, question, max_rounds=4): history = [{"role": "user", "content": question}] seen_call_ids = set() for _ in range(max_rounds): response = send({"model": "gpt-6-astra", "input": list(history), "tools": [TOOL], "reasoning": {"effort": "low"}}) if response.get("status") != "completed" or response.get("error"): raise RuntimeError("Model response failed or did not complete") output = response["output"] # CometAPI's documented manual replay: keep ALL items, omit top-level ids. history.extend({key: value for key, value in item.items() if key != "id"} for item in output) blocks = [block for item in output if item["type"] == "message" for block in item.get("content", [])] if any(block["type"] == "refusal" for block in blocks): raise RuntimeError("Model refused the request") calls = [item for item in output if item["type"] == "function_call"] if not calls: text = "\n".join(block["text"] for block in blocks if block["type"] == "output_text") if not text: raise RuntimeError("No final text returned") return text for call in calls: call_id = call["call_id"] if not isinstance(call_id, str) or not call_id or call_id in seen_call_ids: raise ValueError("Missing or duplicate function call_id") seen_call_ids.add(call_id) try: arguments = json.loads(call["arguments"]) except (ValueError, TypeError): result = {"is_error": True, "error": "Arguments must be JSON text"} else: result = await execute(call["name"], arguments) print(json.dumps({"tool": call["name"], "arguments": call["arguments"], "result": result}), file=sys.stderr) history.append({"type": "function_call_output", "call_id": call_id, "output": json.dumps(result)}) raise RuntimeError("Tool loop reached its round limit") def send_live(payload): key = os.environ["COMETAPI_KEY"] # Only live mode reads the caller's key. request = Request("https://api.cometapi.com/v1/responses", data=json.dumps(payload).encode(), headers={"Authorization": f"Bearer {key}", "Content-Type": "application/json"}) with urlopen(request, timeout=45) as response: return json.load(response) def server_parameters(): return StdioServerParameters(command=sys.executable, args=[str(Path(__file__).with_name("server.py"))]) async def main(): parser = argparse.ArgumentParser(description=__doc__) parser.add_argument("--mode", choices=["direct", "mcp"], required=True) parser.add_argument("--question", default="Use the tool to check order ORD-104.") args = parser.parse_args() if args.mode == "direct": answer = await run_agent(send_live, dispatch, args.question) else: async with Client(stdio_client(server_parameters())) as client: discovered = await client.list_tools() validate_catalog(discovered.tools) async def execute(name, arguments): return await dispatch(name, arguments, client) answer = await run_agent(send_live, execute, args.question) print(answer) if __name__ == "__main__": asyncio.run(main())

Đọc thêm

MCP so với gọi hàm: Cách kết nối công cụ với tác nhân AI

Thực hiện API call đầu tiên.

TL;DR

Key Takeaways

Kết nối bài viết này với quyết định tiếp theo.

How Function Calling and MCP Fit Together

MCP vs Function Calling: Key Differences

Choose the integration your application needs

Build a complete tool loop through CometAPI

Step 1 Set up the project

Step 2 Define the order lookup

Step 3 Add the agent loop

Step 4 Run the direct path

Step 5 Expose the lookup as an MCP tool

Step 6 Run the MCP path

Adapt the example to your own tools

FAQ

MCP có thay thế gọi hàm không?

Một công cụ MCP có thể gọi REST API hiện có không?

Khi nào tôi nên dùng máy chủ MCP từ xa?

Conclusion