🤖【完全比較】OpenAI Function Calling と MCP の違いと活用法【Pythonサンプル付き】
✅ はじめに
ChatGPTなどのLLM（大規模言語モデル）をアプリケーションに組み込む上で、「関数の呼び出し」や「マルチモーダルな情報処理」は欠かせません。
OpenAIが提供する以下2つの技術は、それを実現するための強力な手段です：
- 🛠 Function Calling：モデルが外部関数を自動的に呼び出す機能
- 🌐 Model Context Protocol (MCP)：マルチモーダルな情報を構造的に扱う新しい標準仕様
本記事では、それぞれの違いや用途、Pythonコード例を交えてわかりやすく解説します。
📌 目次
- Function Callingとは？
- MCP（Model Context Protocol）とは？
- 両者の比較表
- Pythonサンプル：Function Calling
- Pythonサンプル：MCP
- 応用①：Chain of Thought × Function Calling
- 応用②：MCPによるマルチモーダルチャット設計
- まとめと今後の展望
🧠 1. Function Callingとは？
OpenAI APIが提供する、モデルが適切な関数を自動的に選び、引数を推論し、呼び出すことができる機能です。
主な用途：
- 天気取得や計算などの外部処理
- DBクエリ
- API連携
- ツールチェーン構築
📄 2. MCP（Model Context Protocol）とは？
OpenAIが提案するマルチモーダル情報処理のための統一プロトコル。画像、音声、テキスト、関数など、さまざまな情報を意味論付きで構造的に表現できます。
特徴：
📊 3. Function Calling vs MCP 比較表
| 項目 | Function Calling | Model Context Protocol (MCP) |
|---|---|---|
| 目的 | 関数の自動呼び出し | 入力コンテキストの統一仕様 |
| 主な形式 | JSON Schema | JSON-LD |
| 対応内容 | 関数の選定と引数補完 | 発話・画像・音声・関数など |
| モデル対応 | GPT-4, GPT-3.5 | GPT-4o（マルチモーダル対応） |
| 開発者向け | OpenAI API | OpenAI + 標準化団体向け |
| 学習難易度 | 中 | 中〜高 |
🧪 4. Pythonサンプル：Function Calling（基本）
import openai
openai.api_key = "your-api-key"
def get_weather(location):
return f"{location} は晴れです ☀️"
functions = [
{
"name": "get_weather",
"description": "指定された都市の天気を取得する",
"parameters": {
"type": "object",
"properties": {
"location": {"type": "string"}
},
"required": ["location"]
}
}
]
response = openai.ChatCompletion.create(
model="gpt-4",
messages=[{"role": "user", "content": "東京の天気は？"}],
functions=functions,
function_call="auto"
)
call = response["choices"][0]["message"]["function_call"]
args = eval(call["arguments"])
result = get_weather(**args)
print(result)
🧬 5. Pythonサンプル：MCP構造の基本
import json
from datetime import datetime
mcp_message = {
"@context": "http://openai.com/mcp/context",
"@type": "Message",
"sender": "user",
"timestamp": datetime.utcnow().isoformat() + "Z",
"content": {
"@type": "Text",
"text": "東京の天気を教えて"
}
}
print(json.dumps(mcp_message, indent=2, ensure_ascii=False))
🧠 6. 応用①：Chain of Thought × Function Calling
モデルに「考えながら関数を呼ぶ」よう指示する高度な使い方です。
def add(x, y):
return x + y
functions = [
{
"name": "add",
"description": "2つの数字を足す",
"parameters": {
"type": "object",
"properties": {
"x": {"type": "integer"},
"y": {"type": "integer"}
},
"required": ["x", "y"]
}
}
]
messages = [
{"role": "system", "content": "君は論理的に考えるAIです。"},
{"role": "user", "content": "2と3を足すにはどうしたらいい？"},
{"role": "assistant", "content": "まず2と3を足します。それには add(x=2, y=3) を使います。"}
]
response = openai.ChatCompletion.create(
model="gpt-4",
messages=messages,
functions=functions,
function_call="auto"
)
call = response["choices"][0]["message"]["function_call"]
args = eval(call["arguments"])
print("答え:", add(**args))
🖼️ 7. 応用②：MCPによるマルチモーダルチャット（画像＋発話）
from datetime import datetime
import json
mcp_context = [
{
"@type": "Message",
"sender": "user",
"timestamp": datetime.utcnow().isoformat() + "Z",
"content": {
"@type": "Text",
"text": "この画像に写っている果物を教えて"
}
},
{
"@type": "Message",
"sender": "user",
"timestamp": datetime.utcnow().isoformat() + "Z",
"content": {
"@type": "Image",
"url": "https://example.com/fruits.jpg"
}
}
]
print(json.dumps(mcp_context, indent=2))
この構造を用いれば、GPT-4oなどに画像＋質問を同時に渡せるようになります。
✅ 8. まとめ：どう使い分けるか？
| シナリオ | 推奨技術 |
|---|---|
| API連携・ツール呼び出し | Function Calling |
| マルチモーダルな入出力 | MCP |
| 構造化された引数処理 | Function Calling |
| 意味論付きコンテキスト | MCP |
| 考えながら関数を呼ぶ | Function Calling + CoT |
| LLM間・ツール間連携 | MCP（将来的に標準化想定） |
🔗 参考リンク
🙌 おわりに
Function CallingとMCPは、それぞれ異なる用途でLLMを強力に拡張する技術です。
用途に応じて正しく選べば、より柔軟で強力なAIアプリケーションの構築が可能になります。