🤖【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：

JSON-LDベースの構造（@context / @type）
テキスト・画像・PDF・関数などすべてに対応
GPT-4oなどマルチモーダルモデルとの相性◎

📊 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。