# AI工具调用机制学习笔记

> 本笔记针对薄弱环节整理，重点梳理 CLI、GUI、API、MCP、Function Calling、Agent 之间的关系。

---

## 一、CLI vs GUI —— 工具软件的两种交互方式

工具软件与用户的交互方式分两类：

| 类型 | 全称 | 本质 | 例子 |
|---|---|---|---|
| **CLI** | Command Line Interface（命令行界面） | 用文字命令操控软件 | `git commit -m "fix"` |
| **GUI** | Graphical User Interface（图形界面） | 用鼠标点击操控软件 | Photoshop、Word |

**关键点：** CLI 和 GUI 是同一个软件暴露给用户的不同"入口"，不是两种软件。

---

## 二、并非所有软件都有 CLI

- **有 CLI 的软件：** 开发工具（git、npm）、服务端软件（nginx、mysql）
- **没有 CLI 的软件：** 创意设计类（Photoshop、Figma）、办公软件（Word、Excel）

**Photoshop 的例子：**
Photoshop 是纯 GUI 软件，没有原生 CLI。只能通过脚本（ExtendScript/UXP）做有限自动化，或通过 GUI 模拟操控。

---

## 三、模型调用工具的三种方式

```
工具软件
├── CLI  →  模型直接生成命令文本调用
├── GUI  →  模型模拟人的鼠标/键盘操作（Computer Use）
└── MCP  →  模型通过标准化协议调用
```

### 三者对比

| 方式 | 本质 | 稳定性 | 适用范围 |
|---|---|---|---|
| **MCP** | 标准化 API 协议 | 最高 | 支持 MCP 的工具 |
| **CLI** | 命令行文本调用 | 高 | 有 CLI 接口的工具 |
| **GUI 模拟** | 模拟人操作（截图+点击） | 最低 | 几乎所有软件 |

> MCP 是最优雅的方式，CLI 是最普遍的方式，GUI 模拟是最后的手段。

---

## 四、API、CLI、MCP 工具的本质是同一件事

**一个 API 工具 ≈ 一条 CLI 命令**

```
CLI 世界：
git commit -m "fix bug"
↑命令       ↑参数

API/Function Calling 世界：
{ "tool": "git_commit", "params": {"message": "fix bug"} }
↑函数名                  ↑参数
```

| CLI 概念 | API/MCP 概念 |
|---|---|
| 一条命令 | 一个 tool/function |
| 命令参数 | parameters |
| 标准输出 stdout | 返回值 result |
| 管道串联 `\|` | Agent 多步调用 |
| Shell 脚本 | Agent 框架 |

> 工具就是工具，无论包装成命令、函数还是协议，内核都是**输入 → 处理 → 输出**。

---

## 五、MCP 是什么？谁来实现它？

**MCP（Model Context Protocol）** 是 Anthropic 在 2024 年提出的标准化协议，专门解决"AI 模型如何调用外部工具"的问题。

可以理解为：**AI 世界的 USB 接口标准。**

### 谁来实现？

- **工具方（MCP Server）：** 工具软件开发者按照 MCP 规范实现 Server 端，暴露工具能力
- **模型/客户端（MCP Client）：** Claude、Cursor 等按同一规范调用，无需为每个工具单独适配

### 传输方式

| 方式 | 场景 |
|---|---|
| 本地进程（stdio） | MCP Server 跑在本地，模型直接调用本地进程 |
| 远程 HTTP/SSE | MCP Server 部署在云端，模型通过**网络请求**调用 |

**注意：** 远程方式本质上就是网络 API 调用，所以 MCP 内置了 OAuth 认证来保障安全。

---

## 六、大模型是如何调用 API 的？

### 传统 API 调用 vs 大模型调用

| | 传统代码调用 | 大模型调用 |
|---|---|---|
| **调用时机** | 程序员硬编码决定 | 模型运行时**动态决定** |
| **调用逻辑** | 确定性 | 概率性/推理性 |
| **输入参数** | 代码变量 | 从自然语言中提取 |
| **执行者** | 代码本身 | **外部系统代为执行** |

### 关键理解

> 模型输出的不是"执行"，而是"调用意图"（结构化描述）。
> 真正的执行由外部系统完成。
> 模型做的是**决策**，不是**执行**。

---

## 七、Function Calling、MCP、Agent 框架的层次关系

```
┌─────────────────────────┐
│       Agent 框架         │  ← 调度层：决定做什么、做几步
│  LangChain / AutoGen 等  │     （多步循环：思考→行动→观察）
├─────────────────────────┤
│    Function Calling      │  ← 协议层：模型表达调用意图
│          MCP             │     （MCP 是 Function Calling 的标准化封装）
├─────────────────────────┤
│      实际 API / 工具      │  ← 执行层：真正干活
│  天气 / 搜索 / 邮件 / DB  │
└─────────────────────────┘
```

### Function Calling vs MCP

| | Function Calling | MCP |
|---|---|---|
| **定义工具的人** | 每个开发者自己写 | 工具方统一提供 |
| **执行工具的人** | 开发者自己实现 | MCP Server 负责 |
| **可复用性** | 低 | 高 |
| **适合场景** | 自定义工具 | 通用标准工具 |

> Function Calling 是**地基**，MCP 是**标准化建材**。没有 MCP，Function Calling 照样能用，只是更零散。

### Agent 框架的核心循环（ReAct 模式）

```
用户提问
  → 【思考】规划任务步骤
  → 【行动】调用工具 A
  → 【观察】获取结果
  → 【思考】是否需要继续？
  → 【行动】调用工具 B
  → 【观察】...
  → 直到任务完成，输出最终回答
```

Agent 框架（LangChain 等）负责管理这个循环，最终执行仍然靠 Function Calling 或 MCP。

---

## 八、GUI 是曾经的竞争力，未来可能是阻碍

| | GUI 时代 | AI 时代 |
|---|---|---|
| **谁在操作软件** | 人 | 越来越多是 AI |
| **交互方式** | 眼睛看、手点击 | 文字/语言指令 |
| **GUI 的价值** | 降低人的使用门槛 | 反而成为 AI 的障碍 |

**人需要 GUI，但 AI 不需要。**

用户要的从来不是"使用 Photoshop"，而是图像处理的结果。当 AI 可以直接调用代码/API 完成任务时，Photoshop 可能根本不会出现在链条里。

> GUI 是为**人看不懂代码**而生的。
> AI 时代，代码/协议才是第一公民，
> GUI 正在从**入口**退化为**可选的展示层**。

---

*笔记生成时间：2026年5月*