Por qué los agentes de IA adoptan JSON Schema, Function Calling y MCP: evolución técnica

En 2023, los complementos de ChatGPT le dieron al mundo un primer vistazo a los modelos que llaman a API. En 2024, las llamadas a funciones se convirtieron en estándar entre los proveedores. En 2025, Anthropic lanzó MCP y los IDE como Cursor y Claude Desktop lo adoptaron; en el mismo arco, JSON evolucionó de un formato de intercambio de datos al formato del Agente.sistema de tiposyprotocolo de apretón de manos.

Si está creando canalizaciones RAG, flujos de trabajo de automatización o productos estilo Copilot, eventualmente encontrará tres términos:Esquema JSON(limitaciones estructurales),Llamada de función(el modelo elige herramientas y completa parámetros), yMCP(Protocolo de contexto modelo: conectividad de herramientas estandarizada). Este artículo está dirigido a desarrolladores de aplicaciones de backend, plataformas y IA. Explica por qué surgió cada capa, qué problema resuelve, cómo encajan y cómo elegir en la práctica.

Por qué los agentes necesitan interfaces estructuradas

El patrón central de las primeras aplicaciones LLM era: los usuarios hacían preguntas → el modelo generaba lenguaje natural → copiaban manualmente los resultados para su ejecución. Esto es suficiente para escenarios de chat, pero no puede impulsar de manera confiable la escritura de bases de datos, el envío de correos electrónicos, la verificación del inventario, etc.Repetible y auditabletareas automatizadas.

El modo ReAct (Reason + Act) en el proyecto Prompt puro permite que el modelo escriba "Acción: buscar (consulta =...)" en el texto, y el programa host utiliza un análisis regular; se puede ejecutar, pero es frágil: el anidamiento de corchetes, el escape de comillas y la mezcla de varios idiomas provocarán fallas en el análisis. Lo que requiere el entorno de producción esLegible por máquina, verificable y versionablecontrato en lugar de confiar en la suerte para analizar Markdown.

JSON cumple con tres requisitos: existe en grandes cantidades en los datos de capacitación de LLM, puede ser leído tanto por humanos como por programas, y tiene un ecosistema maduro de verificación de esquemas. Como resultado, JSON Schema se ha convertido en el estándar de facto para describir "qué forma de datos debe generar el modelo"; Las llamadas a funciones también incorporan "qué función llamar y qué parámetros pasar" en la misma estructura JSON.

Cronología de la evolución de la tecnología

Los cambios esenciales en esta línea son:Traducir "lo que el modelo quiere hacer" del lenguaje natural a mensajes estructurados mecanografiados.y luego ejecutado de forma segura por el programa host o el servidor MCP.

Esquema JSON: "sistema de tipos" del agente

El esquema JSON se utilizó originalmente para la documentación de API y la verificación de la configuración (OpenAPI, Kubernetes CRD, etc.). En el escenario del Agente asume dos tipos de responsabilidades:

• Parámetros de entrada de herramienta: Description search_products requires query (string) and limit (integer, default 10)
• Salida del modelo: Por ejemplo, al extraer entidades, etiquetas de clasificación, conclusiones de aprobación, etc., se deben devolver campos fijos para el consumo posterior.

Esquema de parámetros típicos de la herramienta

{
  "type": "object",
  "properties": {
    "city": {
      "type": "string",
      "description": "City name, e.g. Beijing or Shanghai"
    },
    "unit": {
      "type": "string",
      "enum": ["celsius", "fahrenheit"],
      "description": "Temperature unit"
    }
  },
  "required": ["city"]
}

The description field is particularly important: it enters the context of the model and helps the model understand when to call and what the semantics of each parameter are - Schema also servesvalidadoryInmediato.

Salidas estructuradas y esquema

Si solo se escribe el esquema en el mensaje, es posible que el modelo aún tenga campos adicionales o errores tipográficos. El modo Salidas estructuradas/JSON proporcionado por OpenAI, Google, etc. restringirá los tokens durante la etapa de decodificación para que la salida se ajuste estrictamente al esquema. Esto es una necesidad para el tipo de canalización "OCR de facturas → JSON estructurado → Sistema de contabilidad".

Sugerencias durante la etapa de desarrollo: primer uso de herramientas como JSON ToolboxSintaxis del esquema de verificación local, and then use the sample payload to verify whether required and enum intercept illegal input as expected.

Llamada de funciones: apretón de manos entre modelos y herramientas

La llamada a funciones (también llamada uso de herramientas, API de herramientas por varios proveedores) define la comunicación entre el modelo y el host.una ronda de apretones de manos:

1. El host envía la lista de herramientas (nombre, descripción, esquema de parámetros) al modelo junto con mensajes
2. The model does not directly execute the code, but returns tool_calls: selected tool name + JSON parameter string
3. The host executes the real function (check DB, adjust HTTP), and stuff the result back into the conversation as tool role message
4. El modelo genera respuestas visibles para el usuario final en función de los resultados.

Comparación con el modo de texto ReAct

La llamada a funciones no elimina el marco del Agente (LangChain, AutoGen, Cursor Agent, etc.), sino que se convierte en la interfaz entre el marco y el modelo.capa de protocolo delgada——El marco es responsable de la orquestación, el reintento y la memoria; la API del modelo es responsable de "decidir a qué herramienta llamar".

MCP: ecosistema de herramientas conectables

Las llamadas a funciones resuelven el problema de "cómo declarar la llamada en el lado del modelo". Pero cuando el número de herramientas crece y las fuentes se dispersan (GitHub, Slack, Postgres, navegadores, sistemas de archivos), surgen nuevos problemas:

• Cada Host (IDE, cliente de Chat, Agente autoconstruido) debe escribir una adaptación para cada herramienta.
• Los permisos, las credenciales y los métodos de transporte stdio/HTTP son independientes entre sí.
• Los usuarios no pueden "instalar un servidor MCP y ponerlo a disposición en todas partes"

Protocolo de contexto modelo (MCP)Anthropic lo abrió a finales de 2024 y se posiciona como un protocolo estándar entre el host y el proveedor de herramientas. La relación de analogía es aproximadamente:

Conceptos básicos de MCP

• Anfitrión: La aplicación que inició la conexión (como Cursor IDE)
• Cliente: Cliente MCP en Host, manteniendo sesión con Servidor
• Servidor: Procesos que exponen herramientas, recursos y mensajes (como filesystem-mcp, github-mcp)
• Capacidades: La lista de herramientas se descubre dinámicamente en lugar de codificarse en el mensaje.

MCP Tool's inputSchema itself is JSON Schema. Therefore, MCP does not replace Function Calling, but standardizes "tool implementation"; Host may still use MCP toolscartografíaFormato de llamada de función para la API del modelo.

Cómo trabajan los tres juntos

Utilice una capa lógica para comprender la relación entre los tres:

┌─────────────────────────────────────────────┐
│  用户 / 业务系统                              │
└─────────────────────┬───────────────────────┘
                      ▼
┌─────────────────────────────────────────────┐
│  Agent Host（编排、权限、记忆）               │
│  ┌─────────────┐    ┌─────────────────────┐ │
│  │ LLM API     │◄──►│ Function Calling    │ │
│  │ (推理)      │    │ (tool_calls 消息)   │ │
│  └─────────────┘    └─────────────────────┘ │
│           ▲                    │              │
│           │ JSON Schema        ▼              │
│  ┌────────┴────────┐  ┌──────────────────┐  │
│  │ 输出 Schema     │  │ MCP Client       │  │
│  │ (Structured     │  │ ──stdio/SSE──►   │  │
│  │  Outputs)       │  │ MCP Server(s)    │  │
│  └─────────────────┘  └──────────────────┘  │
└─────────────────────────────────────────────┘

• Esquema JSON: Corte transversal de cada capa: parámetros de herramienta, esquema de entrada MCP, salida estructurada del modelo
• Llamada de función: Modelo ↔ Sintaxis de llamadas de host
• MCP:Host ↔ Bus de herramientas para el mundo exterior

Es posible que los scripts pequeños solo tengan llamadas a funciones + algunas funciones locales; Las plataformas de agentes de nivel empresarial suelen utilizar clústeres MCP + registro de esquema unificado + registros de auditoría.

Ejemplo completo de enlace de llamada

El usuario preguntó: "¿Cuál es la temperatura en Shanghai hoy? Por cierto, consulte mi almacén relacionado con el esquema json en GitHub".

1. AnfitriónPull available tools from MCP: get_weather, github_search_repos
2. Convertido a una matriz de herramientas de la API del modelo, cada una con parámetros de esquema JSON
3. ModeloDevuelve dos llamadas a herramientas, ambos parámetros son JSON legales
4. AnfitriónLlame al servidor meteorológico y al servidor github a través de MCP para recopilar resultados JSON
5. Los resultados se devuelven como mensajes de herramienta; el modelo sintetiza respuestas en lenguaje natural
6. Si necesita escribirlo en el sistema de órdenes de trabajo, utiliceEsquema de salidaConstraint final JSON: { "summary", "temperature", "repo_count" }

Si algún parámetro de paso no se ajusta al esquema, el host puede rechazarlo y solicitar al modelo que vuelva a intentarlo antes de la ejecución; esto es difícil de hacer con el texto ReActfallar rápido.

Comparación de selección y mejores prácticas.

Puntos de diseño del esquema

• Field description clearly writes business semantics, which can reduce miscalls better than type alone.
• required Better to be strict than loose; use default or explicitly nullable for optional fields
• Use string + description instead for large enumerations to avoid the enum list being too long and occupying the context
• El esquema se incorpora a la gestión de versiones de Git y la revisión del código se realiza de la misma manera que los cambios de API.

Preguntas frecuentes

Resumen y próximos pasos

La transformación de AI Agent de "poder chatear" a "poder hacer cosas" se basa en bloquear la incertidumbre en límites estructurados capa por capa: JSON Schema define la forma, Function Calling define cómo se extiende el modelo y MCP define cómo la herramienta se conecta al ecosistema. Los tres no son sustitutos el uno del otro;Diferentes capas en la misma pila.

Sugerencia del siguiente paso: tome una herramienta comercial real (verifique pedidos, envíe notificaciones), escriba un esquema JSON para ella → conéctese a la llamada de función y ejecútela en una sola ronda → luego evalúe si vale la pena encapsularla como un servidor MCP para la reutilización de múltiples hosts. Los datos de esquema y de muestra se pueden verificar localmente en la caja de herramientas JSON antes de conectarse.