Le Model Context Protocol (MCP) donne aux agents un moyen standard d’accéder à des outils : GitHub, bases de données, systèmes de fichiers, navigateurs. Beaucoup de tutoriels MCP supposent Claude ou GPT. Vous n’avez besoin ni de l’un ni de l’autre. Cet article explique pourquoi MCP fonctionne avec tout modèle compatible OpenAI qui gère l’appel d’outils, comment le configurer dans les clients que les développeurs utilisent vraiment, et comment relier MCP à un modèle ouvert dans votre propre code.
Pourquoi MCP fonctionne-t-il avec n’importe quel modèle ?
MCP se place entre votre application et les serveurs d’outils, pas entre votre application et le modèle. La documentation d’architecture de MCP décrit trois rôles :
- Hôte : l’application d’IA, par exemple une extension d’éditeur ou votre script.
- Client : une connexion que l’hôte maintient avec chaque serveur MCP.
- Serveur : un programme qui expose des outils, des ressources et des prompts, en local via stdio ou à distance via Streamable HTTP.
La documentation est explicite : MCP « does not dictate how AI applications use LLMs or manage the provided context. » (traduction : « n’impose pas la façon dont les applications d’IA utilisent les LLM ni dont elles gèrent le contexte fourni. ») L’hôte liste les outils de chaque serveur avec tools/list, les fusionne dans un registre unique visible par le modèle et, quand le modèle demande un outil, envoie tools/call au bon serveur.
Sur une API compatible OpenAI, « visible par le modèle » signifie que les outils vont dans le tableau tools ordinaire. Un outil MCP a déjà un nom, une description et un inputSchema, qui se transposent un pour un en définition de fonction. Le modèle ne sait jamais que MCP est en jeu. Il lui faut seulement un appel d’outils fiable.
Quel modèle utiliser pour MCP ?
| Modèle chez BroadNet | Appel d’outils indiqué | Contexte | Adéquation à MCP |
|---|---|---|---|
| GLM 5.3 | Oui | 1 048 576 | Bon choix par défaut pour de nombreux serveurs |
| Qwen3.8 27B | Oui | 262 144 | Bon, avec en plus l’entrée image |
| DeepSeek V4.1 Flash | Non indiqué | 1 048 576 | À tester d’abord ; entrée image |
| Gemma 4 VL 26B | Non indiqué | 32 768 | Déconseillé |
Pour comparer côte à côte les deux modèles qui gèrent les outils, voir GLM 5.3 vs Qwen3.8 27B. Le contexte compte plus qu’on ne le croit. Chaque schéma d’outil MCP voyage avec chaque appel. La documentation d’opencode dit : « MCP tools consume model context, so add only the servers you need. » (traduction : « les outils MCP consomment du contexte du modèle : n’ajoutez que les serveurs dont vous avez besoin. ») L’article sur le budget de tokens d’un agent montre comment le mesurer.
Comment configurer MCP dans les clients courants ?
| Client | Où déclarer les serveurs MCP | Transports | Remarque |
|---|---|---|---|
| Cline | Panneau MCP Servers, JSON mcpServers |
stdio, Streamable HTTP, SSE historique | Type distant "streamableHttp" |
| Continue | mcpServers dans config.yaml ou .continue/mcpServers/ |
stdio, sse, streamable-http | Mode Agent uniquement |
| opencode | mcp.servers dans opencode.jsonc |
local, remote |
Utiliser {env:NAME} pour les secrets |
| n8n | Nœud MCP Client Tool sur un AI Agent | Endpoint d’un serveur distant (sa documentation décrit un endpoint SSE) | Choisir All, Selected ou All Except |
| OpenAI Agents SDK | mcp_servers=[...] sur l’Agent |
stdio, Streamable HTTP, SSE | Pas HostedMCPTool |
Pointez ensuite le modèle du client vers votre fournisseur : les guides Cline, Continue et opencode couvrent la partie modèle pour BroadNet. Dans Continue, n’oubliez pas la capacité tool_use, sinon le mode Agent ne sera pas disponible.
Un exemple pour Continue, tiré de sa documentation :
mcpServers:
- name: SQLite MCP
type: stdio
command: npx
args: ["-y", "mcp-sqlite", "/path/to/your/database.db"]
Comment relier MCP à un modèle ouvert en Python ?
Si vous construisez votre propre agent, le pont est court. Il utilise le Client du SDK Python de MCP (version 2.0 ou ultérieure ; pip install "mcp>=2"), qui lance un serveur stdio quand on lui passe des StdioServerParameters, et le SDK d’OpenAI pointé vers BroadNet :
import asyncio, json, os
from mcp import Client, StdioServerParameters
from mcp.types import TextContent
from openai import OpenAI
llm = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
server = StdioServerParameters(command="npx",
args=["-y", "@modelcontextprotocol/server-filesystem", "."])
async def main(question):
async with Client(server) as mcp:
listed = await mcp.list_tools()
tools = [{"type": "function", "function": {
"name": t.name, "description": t.description or "",
"parameters": t.input_schema}} for t in listed.tools]
messages = [{"role": "user", "content": question}]
for _ in range(8):
r = llm.chat.completions.create(model="broadnet/glm-5.3",
messages=messages, tools=tools, max_tokens=4000)
msg = r.choices[0].message
messages.append(msg.model_dump(exclude_none=True))
if not msg.tool_calls:
return msg.content
for call in msg.tool_calls:
try:
res = await mcp.call_tool(call.function.name,
json.loads(call.function.arguments or "{}"))
text = "\n".join(b.text for b in res.content if isinstance(b, TextContent))
out = f"Error: {text}" if res.is_error else text
except Exception as e:
out = f"Error: {e}"
messages.append({"role": "tool", "tool_call_id": call.id, "content": out})
print(asyncio.run(main("List the Markdown files here and summarize the README.")))
Avec mcp 1.x, il n’existe pas de classe Client : ouvrez le serveur avec stdio_client(...), enveloppez-le dans une ClientSession, appelez initialize() et lisez les champs en camelCase inputSchema et isError. Trois détails comptent :
- Les erreurs deviennent des résultats d’outil. Le SDK de MCP signale les échecs d’outil avec
is_errorau lieu de lever une exception. Renvoyez-les pour que le modèle s’adapte. Notre guide de l’appel d’outils couvre la validation et les relances. - Bornez la boucle. Ici, huit étapes. Les serveurs MCP qui renvoient de gros résultats remplissent vite le contexte.
- Filtrez les outils. N’exposez que ceux dont la tâche a besoin. L’OpenAI Agents SDK propose
tool_filterpour cela, et n8n propose Selected et All Except.
Vous utilisez plutôt l’OpenAI Agents SDK ? Ses classes MCPServerStdio et MCPServerStreamableHttp tournent dans votre processus. Combinez-les avec un fournisseur personnalisé comme dans notre guide de l’Agents SDK. Son HostedMCPTool tourne dans la Responses API d’OpenAI et ne fonctionne qu’avec les modèles OpenAI.
Qu’est-ce qui coince avec MCP sur des modèles ouverts ?
- Trop d’outils. Le modèle choisit le mauvais ou ignore les outils. Gardez un ensemble actif réduit. Pour vos propres outils, le générateur de JSON Schema produit un schéma
parameterspropre et plat. - Résultats d’outils volumineux. Un serveur qui renvoie toute une table de base de données peut faire exploser la fenêtre de contexte. Limitez ou paginez.
- Réponses vides ou coupées. GLM 5.3 et Qwen3.8 27B raisonnent d’abord, et le raisonnement compte dans
max_tokens. Augmentez-le. - Confiance. Les serveurs MCP exécutent du code sur votre machine ou appellent des services avec vos identifiants. Installez des serveurs de confiance et faites confirmer les actions qui écrivent ou dépensent.
La place de BroadNet Inference
BroadNet Inference fournit la partie modèle : GLM 5.3 et Qwen3.8 27B, pour lesquels l’appel d’outils est indiqué, via le format standard des chat completions que tous les clients MCP ci-dessus savent utiliser, avec conservation zéro des données pour les prompts et les sorties. BroadNet ne fait pas tourner de serveurs MCP ni d’outils hébergés pour vous : c’est le rôle de votre client. Les prix au token des deux modèles figurent sur la page des prix, et les clés s’obtiennent sur inference.broadnet.ai.
