Model Context Protocol (MCP) memberi ejen cara standard untuk mencapai tool: GitHub, pangkalan data, sistem fail, pelayar. Banyak tutorial MCP menganggap anda menggunakan Claude atau GPT. Anda tidak memerlukan kedua-duanya. Artikel ini menerangkan mengapa MCP berfungsi dengan mana-mana model serasi OpenAI yang menyokong panggilan alat, cara menyediakannya dalam klien yang benar-benar digunakan oleh pembangun, dan cara menyambungkan MCP kepada model terbuka dalam kod anda sendiri.
Mengapakah MCP berfungsi dengan mana-mana model?
MCP terletak di antara aplikasi anda dan pelayan tool, bukan di antara aplikasi anda dan model. Dokumentasi seni bina MCP menerangkan tiga peranan:
- Hos: aplikasi AI, seperti sambungan editor atau skrip anda.
- Klien: satu sambungan yang dikekalkan oleh hos kepada setiap pelayan MCP.
- Pelayan: program yang mendedahkan tools, resources dan prompts, secara setempat melalui stdio atau secara jauh melalui Streamable HTTP.
Dokumentasinya jelas: MCP “does not dictate how AI applications use LLMs or manage the provided context” (Terjemahan: tidak menentukan cara aplikasi AI menggunakan LLM atau mengurus konteks yang diberikan). Hos menyenaraikan tool setiap pelayan dengan tools/list, menggabungkannya ke dalam satu daftar yang boleh dilihat oleh model, dan apabila model meminta tool, hos menghantar tools/call kepada pelayan yang betul.
Pada API yang serasi OpenAI, “boleh dilihat oleh model” bermaksud tool dimasukkan ke dalam tatasusunan tools biasa. Tool MCP sudah mempunyai nama, penerangan dan inputSchema, yang dipetakan satu lawan satu kepada definisi fungsi. Model tidak pernah tahu MCP terlibat. Apa yang diperlukannya hanyalah panggilan alat yang boleh dipercayai.
Model manakah yang patut digunakan untuk MCP?
| Model di BroadNet | Panggilan alat disenaraikan | Konteks | Kesesuaian MCP |
|---|---|---|---|
| GLM 5.3 | Ya | 1,048,576 | Pilihan lalai yang baik untuk banyak pelayan |
| Qwen3.8 27B | Ya | 262,144 | Baik, serta input imej |
| DeepSeek V4.1 Flash | Tidak disenaraikan | 1,048,576 | Uji dahulu; input imej |
| Gemma 4 VL 26B | Tidak disenaraikan | 32,768 | Tidak disyorkan |
Untuk perbandingan sebelah-menyebelah dua model yang menyokong tool, lihat GLM 5.3 vs Qwen3.8 27B. Konteks lebih penting daripada yang disangka ramai. Setiap skema tool MCP dihantar pada setiap panggilan. Dokumentasi opencode menyatakan “MCP tools consume model context, so add only the servers you need.” (Terjemahan: tool MCP menggunakan konteks model, jadi tambah hanya pelayan yang anda perlukan.) Artikel bajet token ejen menunjukkan cara mengukurnya.
Bagaimanakah cara menyediakan MCP dalam klien biasa?
| Klien | Lokasi pelayan MCP | Pengangkutan | Nota |
|---|---|---|---|
| Cline | Panel MCP Servers, JSON mcpServers |
stdio, Streamable HTTP, SSE warisan | Jenis jauh "streamableHttp" |
| Continue | mcpServers dalam config.yaml atau .continue/mcpServers/ |
stdio, sse, streamable-http | Mod Agent sahaja |
| opencode | mcp.servers dalam opencode.jsonc |
local, remote |
Gunakan {env:NAME} untuk rahsia |
| n8n | Nod MCP Client Tool pada AI Agent | Endpoint pelayan jauh (dokumentasinya menerangkan endpoint SSE) | Pilih tool All, Selected atau All Except |
| OpenAI Agents SDK | mcp_servers=[...] pada Agent |
stdio, Streamable HTTP, SSE | Bukan HostedMCPTool |
Kemudian halakan model klien kepada penyedia anda: panduan Cline, Continue dan opencode merangkumi bahagian model untuk BroadNet. Dalam Continue, ingat keupayaan tool_use, jika tidak mod Agent tidak akan tersedia.
Contoh Continue, daripada dokumentasinya:
mcpServers:
- name: SQLite MCP
type: stdio
command: npx
args: ["-y", "mcp-sqlite", "/path/to/your/database.db"]
Bagaimanakah cara menyambungkan MCP kepada model terbuka dalam Python?
Jika anda membina ejen sendiri, penyambungnya pendek. Ini menggunakan Client MCP Python SDK (versi 2.0 atau lebih baharu; pip install "mcp>=2"), yang melancarkan pelayan stdio apabila diberi StdioServerParameters, dan OpenAI SDK yang dihalakan ke 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.")))
Pada mcp 1.x tiada kelas Client: buka pelayan dengan stdio_client(...), balutnya dalam ClientSession, panggil initialize(), dan baca medan camelCase inputSchema dan isError. Tiga butiran penting:
- Ralat menjadi hasil tool. MCP SDK melaporkan kegagalan tool dengan
is_errordan bukannya menimbulkan ralat. Hantarnya semula supaya model boleh menyesuaikan diri. Panduan panggilan alat kami merangkumi pengesahan dan cuba semula. - Hadkan gelung. Lapan langkah di sini. Pelayan MCP yang memulangkan hasil besar memenuhkan konteks dengan cepat.
- Tapis tool. Dedahkan hanya tool yang diperlukan oleh tugasan. OpenAI Agents SDK menawarkan
tool_filteruntuk tujuan ini, dan n8n mempunyai Selected dan All Except.
Menggunakan OpenAI Agents SDK? Kelas MCPServerStdio dan MCPServerStreamableHttp-nya berjalan dalam proses anda. Gabungkannya dengan penyedia tersuai seperti dalam panduan Agents SDK kami. HostedMCPTool-nya berjalan di dalam Responses API OpenAI dan hanya berfungsi dengan model OpenAI.
Apakah masalah biasa MCP pada model terbuka?
- Terlalu banyak tool. Model memilih tool yang salah atau mengabaikan tool. Kekalkan set aktif kecil. Untuk tool anda sendiri, penjana skema JSON menghasilkan skema
parametersyang bersih dan rata. - Hasil tool yang besar. Pelayan yang memulangkan keseluruhan jadual pangkalan data boleh melampaui tetingkap konteks. Hadkan atau gunakan penomboran halaman.
- Jawapan kosong atau terpotong. GLM 5.3 dan Qwen3.8 27B membuat penaakulan dahulu, dan penaakulan dikira dalam
max_tokens. Naikkannya. - Kepercayaan. Pelayan MCP menjalankan kod pada mesin anda atau memanggil perkhidmatan dengan kelayakan anda. Pasang pelayan yang anda percayai, dan sahkan tindakan yang menulis atau membelanjakan wang.
Di manakah BroadNet Inference sesuai
BroadNet Inference membekalkan bahagian model: GLM 5.3 dan Qwen3.8 27B dengan panggilan alat disenaraikan, melalui format chat-completions standard yang boleh digunakan oleh setiap klien MCP di atas, dengan pengekalan data sifar (zero data retention) bagi prompt dan output. Ia tidak menjalankan pelayan MCP atau tool yang dihoskan untuk anda; klien anda yang melakukannya. Harga setiap token bagi kedua-dua model ada di halaman harga, dan kunci ada di inference.broadnet.ai.
