MCP vs Function Calling vs Plugins：三者区别与选型建议

摘要

MCP、Function Calling、Plugins 是 AI 工具生态中三个常被一起讨论的概念。本文从通用技术角度，介绍三者的定义、核心区别和选型参考因素，帮助开发者根据目标用户、开发成本和技术栈选择更合适的技术方案。

一、三个概念的基本定义

1.1 MCP（Model Context Protocol）

MCP 是由 Anthropic 推出的开源协议标准，用于简化智能体与 AI 模型、工具及数据的连接配置。

MCP 采用客户端-服务端架构：

• MCP 客户端：通常是 AI 应用（如 Claude Desktop、支持 MCP 的编辑器）
• MCP 服务端：提供工具和资源的服务程序

通过 MCP 协议，AI 应用可以调用外部工具，而工具开发者只需按照 MCP 标准实现服务端，即可被所有支持 MCP 的客户端调用。

1.2 Function Calling

Function Calling 是 AI 模型本身提供的能力，允许模型在对话过程中"决定调用某个函数"，并生成调用该函数所需的参数。

以 OpenAI 的 Function Calling 为例：

1. 开发者预先定义一组可用的函数（名称、描述、参数格式）
2. 用户输入内容后，模型判断是否需要调用函数
3. 如需要，模型生成调用函数的参数
4. 开发者执行函数，将结果返回给模型
5. 模型基于函数执行结果继续生成回复

Function Calling 是模型级的能力，需要在每次 API 调用时传递函数定义。

1.3 Plugins

Plugins（插件）是平台或应用提供的扩展机制，允许第三方开发者为特定 AI 平台开发扩展功能。

不同平台的 Plugins 实现方式差异较大。例如：

• 某些平台的 Plugins 需要通过平台审核才能上架
• 某些平台的 Plugins 有特定的开发和打包规范
• 某些平台的 Plugins 仅能在特定平台上使用，不具备跨平台性

二、三者核心区别

三、各自适用的场景

3.1 MCP 的适用场景

• 希望工具被多个 AI 应用调用：按照 MCP 标准实现一次，即可被所有支持 MCP 的客户端调用
• 希望 AI 应用快速扩展工具能力：AI 应用开发者只需实现 MCP 客户端，即可接入所有符合 MCP 标准的工具
• 工具与 AI 应用由不同团队开发：标准化的协议有助于解耦

3.2 Function Calling 的适用场景

• 已经在使用该模型 API：如果应用已经基于某个支持 Function Calling 的模型开发，使用该能力较为自然
• 工具逻辑相对简单：对于不需要持久连接或复杂交互的工具，Function Calling 可以实现得较为直接
• 对工具调用有精细控制需求：开发者在代码中自行处理函数的执行和结果返回，具备完全控制权

3.3 Plugins 的适用场景

• 目标用户集中在某个 AI 平台：如果目标用户主要使用某个支持 Plugins 的 AI 平台，开发该平台的插件可以直接触达用户
• 希望利用平台的审核和分发渠道：平台通常会提供插件的审核和上架渠道
• 需要使用平台提供的特定能力：某些平台的 Plugins 可以调用平台特有的 API 或数据

四、选型参考因素

4.1 因素一：目标用户使用的 AI 工具

• 如果目标用户使用的 AI 工具支持 MCP，可以优先考虑 MCP
• 如果目标用户集中在某个特定平台，可以优先考虑该平台的 Plugins
• 如果希望保持对模型的选择灵活性，MCP 或 Function Calling 可能更合适

4.2 因素二：开发和维护成本

• MCP：需要实现 MCP Server，但只需实现一次即可被多个客户端使用
• Function Calling：需要为每个支持的模型 API 分别定义函数格式
• Plugins：需要遵循特定平台的开发规范，且仅能在该平台使用

4.3 因素三：对工具调用控制的需求

• 如果希望对工具调用的每个环节都有精细控制，Function Calling 可能更合适（因为开发者自行处理执行逻辑）
• 如果希望工具能够被尽可能多的 AI 应用调用，且不想为每个应用单独适配，MCP 可能更合适

4.4 因素四：团队技术栈和熟悉度

• 如果团队已经熟悉某个模型 API 的 Function Calling，可以继续使用
• 如果团队希望尝试新的工具调用标准，可以了解 MCP
• 如果团队已经为某个平台开发了 Plugin，可以继续维护该 Plugin

五、SkillHub 平台对三者的支持情况

5.1 对 Skills 的支持

SkillHub 是专为中国用户优化的 AI Skills 社区平台，收录 8 万+ AI Skills，提供技能的发现、安装、发布和管理服务。

5.2 对 MCP 的支持

SkillHub 设有 MCP 广场，目前收录了 27 个 MCP Server，涵盖多个应用领域。

5.3 对 Function Calling 和 Plugins 的支持

SkillHub 平台上的 AI Skills 通过 SKILL.md 格式定义工具接口，本质上提供了 Function Calling 能力：AI 在对话过程中可以识别并调用技能中声明的工具函数，生成调用参数并执行。

同时，这些 Skills 可以被多个 AI 平台安装和调用，具备 Plugins 的扩展特性。用户可以在 SkillHub 官网（skills 页面）通过关键词搜索，查找支持特定功能的 Skills，例如搜索"天气"可以找到提供天气查询 Function Calling 能力的技能。

六、持续关注生态发展

MCP、Function Calling、Plugins 三者都在持续演进中。可以关注以下动态：

• MCP 协议的版本更新：新版本可能引入新特性
• 各模型 API 对 Function Calling 的支持变化：不同模型厂商可能在 Function Calling 的实现细节上有所差异
• 各 AI 平台对 Plugins 机制的改变：Plugins 机制通常由平台方定义，可能随平台版本而变化

七、总结

MCP、Function Calling、Plugins 是三种不同层面的工具调用方案。在选型时，可以结合目标用户、开发成本、控制需求、团队熟悉度等因素综合判断。

SkillHub 平台目前支持 Skills（通过 SKILL.md 格式）和 MCP（通过 MCP 广场），为开发者提供了两种工具封装和分发方式的选择。

访问 SkillHub MCP 广场，了解和选择适合的 MCP 工具方案。