网络安全工程师必知:Function Calling 和 MCP,到底是什么?
原创
承影
承影
兰花豆说网络安全
2026年10月14日 23:34
广东
在小说阅读器读本章
去阅读
在公众号小说中沉浸阅读
过去,我们使用 AI,主要是让它回答问题、分析日志、编写代码。但现在,AI 不仅能思考和回答,还能调用工具、查询数据库、执行命令,甚至串联多个系统完成任务。
例如,让 AI 分析一段 Web 访问日志,它可以进一步调用日志平台查询数据、使用威胁情报接口核验 IP,再生成安全分析报告。
AI 从“会回答”走向“能干活”,背后有两个值得网络安全工程师重点关注的技术:Function Calling 和 MCP。
一、Function Calling:让 AI 学会调用工具
Function Calling,通常翻译为“函数调用”或“工具调用”,是让大模型能够按照约定的格式,提出调用外部函数或工具的请求。
需要注意:大模型通常负责决定调用什么工具、传递什么参数,真正执行函数的是外部程序,而不是模型本身。
以安全运营为例,工程师希望 AI 查询某个 IP 的威胁情报。系统可以预先定义一个查询函数,要求输入 IP 地址并返回查询结果。
典型流程如下:
- 用户提出问题:“帮我查询这个 IP 是否存在恶意行为。”
- 大模型判断需要调用威胁情报查询函数。
- 模型按照约定的参数格式输出调用请求。
- 应用程序校验参数和权限,执行查询。
- 查询结果返回给大模型,由模型分析并生成结论。
Function Calling 解决的核心问题是:如何让大模型按照结构化约定,调用外部能力。
在网络安全领域,它可以用于日志查询、漏洞信息检索、资产查询、告警分析、工单创建,以及调用自动化响应接口等场景。
二、MCP:让 AI 更方便地连接外部工具
如果说 Function Calling 解决了模型如何提出工具调用请求,那么 MCP(Model Context Protocol,模型上下文协议)关注的是:AI 应用如何以统一的协议连接外部工具、数据和上下文资源。
MCP 由 Anthropic 于2024年推出,采用客户端—服务器架构。一个 MCP Server 可以向 AI 应用提供三类主要能力:
- Tools(工具):执行操作,例如查询漏洞、检索日志。
- Resources(资源):提供数据,例如安全知识库、配置文件。
- Prompts(提示模板):提供可复用的提示模板。
举个例子,一家企业有多个安全系统:SIEM、安全资产管理平台、漏洞扫描平台和工单系统。过去,开发者可能需要为不同 AI 应用分别编写各系统的对接代码。
通过 MCP,可以为这些系统提供标准化接口,让支持 MCP 的 AI 应用更方便地发现和使用相应能力,减少重复集成工作。
但要注意,MCP 并不意味着所有系统接入后就能自动互通。实际使用仍然需要开发或部署 MCP Server,并处理身份认证、权限控制、数据格式和兼容性等问题。
三、Function Calling 和 MCP 有什么区别?
两者并不是竞争关系,而是解决不同层面的问题。
| 对比维度 | Function Calling | MCP |
|---|---|---|
| 核心作用 | 让模型提出工具调用请求 | 标准化 AI 应用与外部能力的连接 |
| 关注重点 | 调用什么、传递什么参数 | 如何发现、连接和使用工具及资源 |
| 主要参与者 | 模型、应用程序、函数或工具 | MCP Host、MCP Client、MCP Server |
| 典型用途 | 让 AI 查询 IP 威胁情报 | 让 AI 应用通过统一协议连接威胁情报服务 |
| 两者关系 | 可以作为工具调用机制的一部分 | 可以承载工具定义与调用交互 |
需要特别说明:MCP 并不等于 Function Calling,也不取代大模型自身的工具调用能力。MCP 负责协议层面的连接与交互,而模型如何选择工具、如何生成调用请求,仍取决于 AI 应用和模型的具体实现。
四、网络安全工程师必须关注的三个风险
当 AI 可以调用工具,它就不再只是一个聊天窗口,而可能成为能够访问企业数据、执行操作的智能体。新的能力也意味着新的攻击面。
第一,工具权限过大。
如果 AI 能直接执行系统命令、修改防火墙策略或删除数据,一旦模型判断错误,或者被恶意指令诱导,就可能造成真实损失。
建议遵循最小权限原则,对高风险操作设置审批、隔离和审计机制。
第二,提示词注入与工具滥用。
攻击者可能在网页、邮件或文档中植入恶意指令,诱导 AI 调用不该调用的工具,尝试读取敏感数据或执行越权操作。
不能因为请求来自 AI,就默认它是可信的。所有工具调用都必须在服务端进行权限校验。
第三,MCP Server 和工具供应链风险。
恶意或存在漏洞的 MCP Server,可能成为数据泄露、凭据窃取和越权操作的入口。
企业应核验服务来源,审查工具实现,保护 API 密钥,限制网络访问,并持续监控工具调用行为。
五、未来:安全工程师要学会构建“可控的 AI”
Function Calling 让 AI 能够调用工具,MCP 则让外部工具和数据能够通过更标准化的方式接入 AI 应用。两者共同推动 AI 从内容生成走向任务执行。
对于网络安全工程师而言,这不仅意味着可以利用 AI 提升安全运营、漏洞分析和应急响应效率,也意味着必须重新审视传统安全边界。
过去,我们重点保护 API、数据库、服务器和业务系统;现在,还需要关注 AI 能调用什么工具、能够访问哪些数据、如何获得授权,以及每一次操作是否可追溯。
AI 时代,安全的关键不只是让模型更聪明,而是让它在正确的权限下,执行正确的操作,并且始终处于可控、可审计的边界之内。
END
推荐阅读
网络安全人士必知的AI Agent网络攻防能力基准测试框架BountyBench
2026-10-13
一文讲透 SCA 与 SBOM:软件供应链安全,为什么两者缺一不可?
2026-10-12
Anthropic 免费开放 AI 漏洞扫描:开源软件安全,正在进入 AI 自动化时代
2026-10-11
网安人必看!REA 开源工具,让 AI 直接参与软件逆向分析
2026-10-10
2026-10-09
版权声明
本站仅做备份收录,仅供研究与教学参考之用。
读者将信息用于其他用途的,全部法律及连带责任由读者自行承担,本站不承担任何责任。










评论