从上一篇介绍MCP的内容我们可以了解到，MCP让智能体与外部工具的连接更加标准化，智能体能够更加高效、广泛地连接外部数据信息。但是有几个核心问题很难避免。其一，上下文爆炸。为了智能体查询的灵活性，MCP服务器通常会提供丰富的调用工具，其json schema会被载入系统提示词中，在每轮问答都会成为沉重的token负担，导致模型计算成本飙升、推理能力下降。其二，通用智能体领域能力不足，能力复用与扩展

从上一篇介绍MCP的内容我们可以了解到，MCP让智能体与外部工具的连接更加标准化，智能体能够更加高效、广泛地连接外部数据信息。但是有几个核心问题很难避免。其一，上下文爆炸。为了智能体查询的灵活性，MCP服务器通常会提供丰富的调用工具，其json schema会被载入系统提示词中，在每轮问答都会成为沉重的token负担，导致模型计算成本飙升、推理能力下降。其二，通用智能体领域能力不足，能力复用与扩展

同时该方法还在大模型API层面做了优化，例如GPT会提供一个function参数，使得在调用模型时，可以把函数信息（函数名称、用途说明、参数结构等）传递过去，并且开发者无需写系统提示词，这些都会由大模型提供商统一处理好。在function calling出现之前，传统的大模型主要是聊天，无法与外部数据源交互（如通过API查询数据、查询用户文件等），也无法帮用户执行一些任务（例如发邮件、运行代码等）

同时该方法还在大模型API层面做了优化，例如GPT会提供一个function参数，使得在调用模型时，可以把函数信息（函数名称、用途说明、参数结构等）传递过去，并且开发者无需写系统提示词，这些都会由大模型提供商统一处理好。在function calling出现之前，传统的大模型主要是聊天，无法与外部数据源交互（如通过API查询数据、查询用户文件等），也无法帮用户执行一些任务（例如发邮件、运行代码等）

同时该方法还在大模型API层面做了优化，例如GPT会提供一个function参数，使得在调用模型时，可以把函数信息（函数名称、用途说明、参数结构等）传递过去，并且开发者无需写系统提示词，这些都会由大模型提供商统一处理好。在function calling出现之前，传统的大模型主要是聊天，无法与外部数据源交互（如通过API查询数据、查询用户文件等），也无法帮用户执行一些任务（例如发邮件、运行代码等）