MCP vs Function Calling : Comment les LLM interagissent avec le monde réel2 min read·Just now--IntroductionDepuis l’arrivée des modèles de langage avancés (LLM) comme GPT-4, Claude 3 ou DeepSeek, une question essentielle se pose : comment ces modèles peuvent-ils interagir efficacement avec des outils, des APIs ou des systèmes externes ?Deux grandes approches se sont imposées :MCP (Multi-step Conversational Prompting)Function CallingDans cet article, je vous explique ces concepts, qui les utilise aujourd’hui et dans quels cas les appliquer.MCP : Multi-step Conversational PromptingLe MCP est une méthode où le LLM agit comme un agent conversationnel intelligent qui procède par étapes successives pour traiter une demande.Comment ça fonctionne ?1. Le LLM analyse la demande.2. Il propose des options ou demande des précisions.3. Il choisit dynamiquement l’outil ou l’API à utiliser.4. Il exécute l’action et restitue la réponse.Pourquoi c’est utile ?Contrôle conversationnel : idéal dans des situations sensibles (santé, finance).Gestion multi-API : il peut gérer plusieurs services dans un seul échange.Workflows complexes : permet de gérer des dialogues à plusieurs étapes.ExemplesAssistant bancaire : validation étape par étape avant un virement.Diagnostic médical : questions complémentaires avant une recommandation.Service client : suivi de commande + demande de retour dans la même conversation.Function CallingLe Function Calling est une capacité intégrée dans certains modèles où le LLM détecte automatiquement qu’il doit appeler une fonction externe pour répondre à la demande de l’utilisateur.Comment ça fonctionne ?1. L’utilisateur formule une demande.2. Le LLM génère un appel structuré (nom de fonction + arguments).3. Le système exécute la fonction/API.4. Le résultat est restitué par le modèle.Pourquoi c’est utile ?Rapidité : pas besoin de multi-étapes.Automatisation : déclenche directement des actions concrètes.Simplicité : idéal pour des cas d’usage bien cadrés.ExemplesApplication météo : « Quel temps fait-il à Paris ? »Convertisseur de devises : « Convertis 100 dollars en euros. »Réservation : « Réserve-moi une table ce soir à 20h. »Qui les utilise aujourd’hui ?MCPAzure OpenAI CopilotLangChainSalesforce Einstein CopilotDeepSeek (via LangChain ou agents personnalisés)Function CallingOpenAI GPT-4 et GPT-3.5 TurboAnthropic Claude 3 (Tool Use)Google GeminiLlama 2 et Mistral (via LangChain)DeepSeek (possible via orchestrateurs, non natif)pComparatifConclusionMCP et Function Calling sont deux approches complémentaires.MCP est parfait pour les situations complexes et sensibles où chaque étape compte.Function Calling brille dans les cas rapides et automatisables.Avec l’évolution des modèles comme GPT-4, Claude 3, Gemini ou DeepSeek, ces méthodes permettent de créer des assistants plus intelligents et réellement connectés à des services externes.