MCP adalah standar colokan untuk aplikasi LLM: tulis server tool sekali, dan setiap client yang mendukung MCP bisa memakainya.
Cara kerjanya
Spesifikasinya menjelaskan tiga peran yang berkomunikasi lewat pesan JSON-RPC 2.0:
- Host: “LLM applications that initiate connections” (terjemahan: aplikasi LLM yang memulai koneksi), misalnya agen di IDE atau aplikasi chat.
- Client: “Connectors within the host application” (terjemahan: konektor di dalam aplikasi host), satu per server.
- Server: “Services that provide context and capabilities.” (terjemahan: layanan yang menyediakan konteks dan kemampuan.)
Server bisa menawarkan tools (fungsi yang boleh dijalankan model), resources (data dan konteks), dan prompts (template pesan). Spesifikasinya mendefinisikan dua transport standar: stdio untuk subprocess lokal, dan Streamable HTTP, di mana setiap pesan adalah HTTP POST dan balasan kembali sebagai JSON atau stream server-sent events.
Untuk tools, client mengirim tools/list dan menerima nama, deskripsi, dan inputSchema dalam JSON Schema. Client meneruskannya ke model sebagai definisi tool. Saat model mengembalikan tool call, client mengirim tools/call dengan argumennya dan menyerahkan hasilnya kembali ke model.
{"jsonrpc": "2.0", "id": 2, "method": "tools/call",
"params": {"name": "get_weather", "arguments": {"location": "New York"}}}
Model tidak pernah berbicara langsung dengan server MCP. Model hanya melihat definisi tool dan hasilnya, itulah sebabnya MCP berfungsi dengan model apa pun yang menangani tool call dengan baik.
Kenapa ini penting
- Dapat dipakai ulang. Satu server GitHub atau database melayani setiap agen dan editor yang mendukung MCP.
- Biaya token. Nama, deskripsi, dan schema setiap tool yang terdaftar dikirim sebagai input di setiap giliran. Banyak server dengan banyak tool membuat setiap permintaan lebih panjang. Aktifkan hanya yang dibutuhkan tugas.
- Keamanan. Spesifikasinya menyebut tools “represent arbitrary code execution” (terjemahan: mewakili eksekusi kode sembarang) dan bahwa host harus mendapat persetujuan pengguna sebelum memanggil tool apa pun. Hasil tool juga menjadi jalur prompt injection.
Di BroadNet Inference
Dokumentasi BroadNet tidak mencantumkan server MCP atau endpoint khusus MCP. Anda menjalankan MCP di client Anda (Cline, Continue, opencode, dan lainnya) dan mengarahkan model client ke API BroadNet yang kompatibel dengan OpenAI. Dokumentasi BroadNet mencantumkan tool calling untuk GLM 5.3 dan Qwen3.8 27B. Tulisan MCP dengan model kompatibel OpenAI menunjukkan penyiapan client dan jembatan Python.