Parang standard na saksakan ang MCP para sa mga LLM app: isang beses kang magsusulat ng tool server, at magagamit ito ng anumang client na marunong ng MCP.
Paano ito gumagana
Inilalarawan ng specification ang tatlong role na nag-uusap gamit ang mga JSON-RPC 2.0 message:
- Hosts: “LLM applications that initiate connections” (mga LLM application na nagsisimula ng koneksyon), gaya ng IDE agent o chat app.
- Clients: “Connectors within the host application” (mga connector sa loob ng host application), isa kada server.
- Servers: “Services that provide context and capabilities.” (mga serbisyong nagbibigay ng context at kakayahan.)
Puwedeng mag-alok ang mga server ng tools (mga function na puwedeng patakbuhin ng model), resources (data at context) at prompts (mga message template). Dalawang standard na transport ang itinatakda ng spec: stdio para sa isang lokal na subprocess, at Streamable HTTP, kung saan HTTP POST ang bawat mensahe at bumabalik ang mga sagot bilang JSON o server-sent event stream.
Para sa tools, nagpapadala ang client ng tools/list at tumatanggap ng mga pangalan, description at inputSchema sa JSON Schema. Ipinapasa nito ang mga iyon sa model bilang tool definitions. Kapag nagbalik ang model ng tool call, nagpapadala ang client ng tools/call kasama ang arguments at ibinabalik ang resulta sa model. Ganito ang hitsura ng isang tools/call na humihingi ng lagay ng panahon sa New York:
{"jsonrpc": "2.0", "id": 2, "method": "tools/call",
"params": {"name": "get_weather", "arguments": {"location": "New York"}}}
Hindi kailanman direktang nakikipag-usap ang model sa MCP server. Tool definitions at results lang ang nakikita nito, kaya gumagana ang MCP sa anumang model na mahusay humawak ng tool calls.
Bakit ito mahalaga
- Reuse. Isang GitHub o database server ang nagsisilbi sa bawat agent at editor na marunong ng MCP.
- Gastos sa token. Ipinapadala bilang input sa bawat turn ang pangalan, description at schema ng bawat nakalistang tool. Kapag maraming server na maraming tool, humahaba ang bawat request. I-enable lang ang kailangan ng task.
- Seguridad. Ayon sa spec, ang mga tool ay “represent arbitrary code execution” (Salin ng BroadRouter: “katumbas ng pagpapatakbo ng arbitrary na code”) at kailangang humingi ng pahintulot ng user ang host bago tumawag ng anumang tool. Daanan din ng prompt injection ang mga tool result.
Sa BroadNet Inference
Walang nakalistang MCP server o MCP-specific na endpoint sa docs ng BroadNet. Pinapatakbo mo ang MCP sa client mo (Cline, Continue, opencode at iba pa) at itinuturo ang model ng client sa OpenAI-compatible na API ng BroadNet. Nakalista sa docs ng BroadNet ang tool calling para sa GLM 5.3 at Qwen3.8 27B. Ipinapakita ng post na MCP with OpenAI-compatible models ang setup ng mga client at isang Python bridge.