---
title: "MCP с OpenAI-совместимыми моделями: как это работает"
description: "MCP работает с любой LLM: клиент превращает инструменты MCP в вызовы функций. Как подключить MCP к открытым моделям в Cline, Continue, opencode, n8n и своём коде."
url: https://broadrouter.com/ru/blog/mcp-with-openai-compatible-models/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/blog/mcp-with-openai-compatible-models/) (обновлён 2026-11-16).

# MCP-серверы с OpenAI-совместимыми моделями (у любого провайдера)

Команда BroadNet Inference · 4 мин чтения · Опубликовано 2026-11-14 · Обновлено 2026-11-16

MCP не зависит от модели. MCP-клиент в вашем приложении получает список инструментов каждого сервера, передаёт их модели как обычные инструменты function calling и выполняет tools/call, когда модель об этом просит. MCP-серверы может использовать любая OpenAI-совместимая модель с надёжным вызовом инструментов. Настройте их в Cline, Continue, opencode или n8n либо сделайте мост примерно в 40 строках Python.

## Главное

-   Документация MCP говорит, что протокол "does not dictate how AI applications use LLMs" (перевод: «не диктует, как ИИ-приложения используют LLM»). Инструменты MCP переводит в формат инструментов модели приложение-хост.
-   Модели нужен вызов инструментов. В BroadNet Inference он указан для GLM 5.3 и Qwen3.8 27B.
-   Cline, Continue (только в режиме Agent), opencode, n8n и OpenAI Agents SDK работают как MCP-клиенты со сторонней моделью.
-   Схема каждого инструмента MCP отправляется при каждом вызове модели. Документация opencode предупреждает, что инструменты MCP занимают контекст модели; подключайте только нужные серверы.
-   Хостируемые инструменты MCP, работающие внутри Responses API от OpenAI, с другими провайдерами не работают; локальные MCP-клиенты — работают.

**На этой странице**

1.  Почему MCP работает с любой моделью?
2.  Какую модель использовать для MCP?
3.  Как настроить MCP в популярных клиентах?
4.  Как соединить MCP с открытой моделью на Python?
5.  Что ломается при работе MCP с открытыми моделями?
6.  Место BroadNet Inference

Model Context Protocol (MCP) даёт агентам стандартный способ добраться до инструментов: GitHub, баз данных, файловых систем, браузеров. Многие руководства по MCP предполагают Claude или GPT. Ни то ни другое не обязательно. В этой статье объясняем, почему MCP работает с любой [OpenAI-совместимой](https://broadrouter.com/ru/glossary/openai-compatible-api/) моделью, которая поддерживает вызов инструментов, как настроить его в клиентах, которыми реально пользуются разработчики, и как соединить MCP с открытой моделью в собственном коде.

## Почему MCP работает с любой моделью?

MCP находится между вашим приложением и серверами инструментов, а не между приложением и моделью. Документация по архитектуре MCP описывает три роли:

-   **Хост:** ИИ-приложение, например расширение редактора или ваш скрипт.
-   **Клиент:** одно соединение, которое хост держит с каждым MCP-сервером.
-   **Сервер:** программа, которая предоставляет инструменты, ресурсы и промпты — локально через stdio или удалённо через Streamable HTTP.

Документация говорит прямо: MCP “does not dictate how AI applications use LLMs or manage the provided context.” (перевод: «не диктует, как ИИ-приложения используют LLM или управляют предоставленным контекстом».) Хост получает инструменты каждого сервера через `tools/list`, сводит их в один реестр, видимый модели, а когда модель запрашивает инструмент, отправляет `tools/call` нужному серверу.

В OpenAI-совместимом API «видимый модели» означает, что инструменты попадают в обычный массив `tools`. У инструмента MCP уже есть имя, описание и `inputSchema`, что один к одному ложится на определение функции. Модель даже не знает, что здесь участвует MCP. Ей нужен только надёжный [вызов инструментов](https://broadrouter.com/ru/glossary/tool-calling/).

## Какую модель использовать для MCP?

| Модель в BroadNet | Вызов инструментов указан | Контекст | Пригодность для MCP |
| --- | --- | --- | --- |
| [GLM 5.3](https://broadrouter.com/ru/models/glm-5.3/) | Да | 1 048 576 | Хороший выбор по умолчанию для многих серверов |
| [Qwen3.8 27B](https://broadrouter.com/ru/models/qwen3.8-27b/) | Да | 262 144 | Хорошо, плюс ввод изображений |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ru/models/deepseek-v4.1-flash/) | Не указан | 1 048 576 | Сначала протестируйте; ввод изображений |
| [Gemma 4 VL 26B](https://broadrouter.com/ru/models/gemma-4-vl-26b/) | Не указан | 32 768 | Не рекомендуется |

Две модели с поддержкой инструментов рядом — в сравнении [GLM 5.3 или Qwen3.8 27B](https://broadrouter.com/compare/glm-5.3-vs-qwen3.8-27b/). Контекст важнее, чем обычно думают. Схема каждого инструмента MCP едет с каждым вызовом. Документация opencode говорит: “MCP tools consume model context, so add only the servers you need.” (перевод: «инструменты MCP занимают контекст модели, поэтому добавляйте только нужные серверы».) Как это измерить, показано в статье о [бюджете токенов агента](https://broadrouter.com/ru/blog/agent-token-budget/).

## Как настроить MCP в популярных клиентах?

| Клиент | Где задаются MCP-серверы | Транспорты | Примечание |
| --- | --- | --- | --- |
| Cline | Панель MCP Servers, JSON `mcpServers` | stdio, Streamable HTTP, устаревший SSE | Тип удалённого сервера `"streamableHttp"` |
| Continue | `mcpServers` в `config.yaml` или `.continue/mcpServers/` | stdio, sse, streamable-http | Только режим Agent |
| opencode | `mcp.servers` в `opencode.jsonc` | `local`, `remote` | Для секретов используйте `{env:NAME}` |
| n8n | Узел MCP Client Tool у AI Agent | Эндпоинт удалённого сервера (документация описывает SSE-эндпоинт) | Выбор инструментов: All, Selected или All Except |
| OpenAI Agents SDK | `mcp_servers=[...]` у Agent | stdio, Streamable HTTP, SSE | Не `HostedMCPTool` |

Затем направьте модель клиента на вашего провайдера: модельную часть для BroadNet описывают руководства по [Cline](https://broadrouter.com/ru/guides/cline-openai-compatible/), [Continue](https://broadrouter.com/ru/guides/continue-dev-openai-compatible/) и [opencode](https://broadrouter.com/ru/guides/opencode-custom-provider/). В Continue не забудьте про возможность `tool_use`, иначе режим Agent будет недоступен.

Пример для Continue из его документации:

```yaml
mcpServers:
  - name: SQLite MCP
    type: stdio
    command: npx
    args: ["-y", "mcp-sqlite", "/path/to/your/database.db"]
```

## Как соединить MCP с открытой моделью на Python?

Если вы пишете собственного агента, мост получается коротким. Здесь используется `Client` из MCP Python SDK (версия 2.0 и новее; `pip install "mcp>=2"`), который запускает stdio-сервер, если передать ему `StdioServerParameters`, и OpenAI SDK, направленный на BroadNet:

```python
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.")))
```

В `mcp` 1.x класса `Client` нет: откройте сервер через `stdio_client(...)`, оберните его в `ClientSession`, вызовите `initialize()` и читайте поля в camelCase — `inputSchema` и `isError`. Важны три детали:

1.  **Ошибки становятся результатами инструментов.** MCP SDK сообщает о сбоях инструментов через `is_error`, а не выбрасывает исключение. Передавайте их обратно, чтобы модель могла скорректироваться. Валидация и повторы разобраны в нашей [статье о вызове инструментов](https://broadrouter.com/ru/blog/tool-calling-open-models/).
2.  **Ограничьте цикл.** Здесь восемь шагов. MCP-серверы, возвращающие большие результаты, быстро заполняют контекст.
3.  **Фильтруйте инструменты.** Открывайте только те инструменты, которые нужны задаче. В OpenAI Agents SDK для этого есть `tool_filter`, в n8n — Selected и All Except.

Используете вместо этого OpenAI Agents SDK? Его классы `MCPServerStdio` и `MCPServerStreamableHttp` работают в вашем процессе. Сочетайте их со сторонним провайдером, как в нашем [руководстве по Agents SDK](https://broadrouter.com/ru/guides/openai-agents-sdk-custom-provider/). А его `HostedMCPTool` работает внутри Responses API от OpenAI и только с моделями OpenAI.

## Что ломается при работе MCP с открытыми моделями?

-   **Слишком много инструментов.** Модель выбирает не тот или игнорирует инструменты. Держите активный набор небольшим. Для собственных инструментов [генератор JSON Schema](https://broadrouter.com/tools/json-schema-generator/) строит чистую плоскую схему `parameters`.
-   **Большие результаты инструментов.** Сервер, возвращающий целую таблицу базы данных, может переполнить [контекстное окно](https://broadrouter.com/ru/glossary/context-window/). Ограничивайте объём или используйте пагинацию.
-   **Пустые или обрезанные ответы.** GLM 5.3 и Qwen3.8 27B сначала рассуждают, а рассуждения входят в `max_tokens`. [Увеличьте его](https://broadrouter.com/ru/guides/reasoning-tokens-empty-response/).
-   **Доверие.** MCP-серверы выполняют код на вашей машине или обращаются к сервисам с вашими учётными данными. Устанавливайте серверы, которым доверяете, и подтверждайте действия, которые что-то записывают или тратят деньги.

## Место BroadNet Inference

BroadNet Inference отвечает за модельную часть: GLM 5.3 и Qwen3.8 27B с заявленным вызовом инструментов через стандартный формат chat completions, который понимает любой из MCP-клиентов выше, с нулевым хранением данных для промптов и ответов. MCP-серверы и хостируемые инструменты BroadNet за вас не запускает — это делает ваш клиент. Цены за токены для обеих моделей — на [странице цен](https://broadrouter.com/ru/pricing/), ключи — на [inference.broadnet.ai](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-mcp-with-openai-compatible-models&utm_content=body).

Бесплатные инструменты по теме (на английском)

-   [Agent run cost estimator](https://broadrouter.com/tools/agent-run-cost-estimator/) Context growth per step, total tokens and cost of one agent run, with a DeepSeek session comparison.
-   [LLM batch job planner](https://broadrouter.com/tools/llm-batch-job-planner/) Run time, binding limit, cost per model and the flat sessions needed to finish a big job by a deadline.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [LLM rate limit and concurrency calculator](https://broadrouter.com/tools/llm-rate-limit-calculator/) Which limit binds first: RPM, TPM or concurrency, with Little's law.

[Бесплатные инструменты (на английском)](https://broadrouter.com/tools/)

## Термины в этой статье

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Контекстное окно (context window)](https://broadrouter.com/ru/glossary/context-window/)

Контекстное окно — это максимальное число токенов, с которым языковая модель может работать в одном запросе. В него входят промпт, история диалога, описания инструментов, изображения и сгенерированный ответ, включая токены рассуждений. Всё, что не помещается, приходится обрезать, сжимать в краткое изложение или делить на несколько запросов.

[MCP (Model Context Protocol)](https://broadrouter.com/ru/glossary/mcp/)

MCP (Model Context Protocol) — это открытый протокол на основе JSON-RPC 2.0, который стандартизирует подключение LLM-приложений к внешним инструментам и данным. MCP-сервер предоставляет инструменты, ресурсы и промпты, а MCP-клиент внутри приложения-хоста находит их и передаёт серверу вызовы инструментов от модели.

[Server-sent events (SSE)](https://broadrouter.com/ru/glossary/sse/)

Server-sent events (SSE) — это веб-стандарт, по которому сервер передаёт клиенту поток текстовых событий в одном долгоживущем HTTP-ответе с типом содержимого text/event-stream. Каждое событие — одна или несколько строк-полей, например data:, и завершается пустой строкой.

[ИИ-агент (AI agent)](https://broadrouter.com/ru/glossary/agent/)

ИИ-агент — это система, в которой языковая модель сама направляет свои шаги к цели: решает, какие инструменты вызвать, читает результаты и повторяет, пока не выдаст итоговый ответ или не упрётся в лимит. Фиксированный сценарий, который вызывает модель в заранее заданных местах, обычно называют не агентом, а workflow.

[Токен (token)](https://broadrouter.com/ru/glossary/token/)

Токен — это единица текста, которую языковая модель читает и пишет: слово, часть слова, знак препинания или последовательность байтов, которую выдаёт токенизатор модели. LLM API считают, ограничивают и обычно тарифицируют использование в токенах.

[Chat Completions API](https://broadrouter.com/ru/glossary/chat-completions-api/)

Chat Completions API — это HTTP-эндпоинт OpenAI, POST /v1/chat/completions, который принимает имя модели и список сообщений с ролями и возвращает следующее сообщение модели. Формат его запроса и ответа стал общим стандартом, который повторяют OpenAI-совместимые провайдеры и SDK.

[JSON Schema (JSON-схема)](https://broadrouter.com/ru/glossary/json-schema/)

JSON Schema — это словарь, записанный на самом JSON, для описания и валидации структуры JSON-данных: типов, обязательных полей, допустимых значений и вложенности. Текущая версия — 2020-12. API языковых моделей используют его, чтобы задать параметры инструментов и точную форму структурированного вывода.

## Вопросы и ответы

### Можно ли использовать MCP с моделью, которая не Claude и не GPT?

Да. MCP — это протокол между вашим приложением и серверами инструментов. Приложение передаёт инструменты той модели, которую использует, в её формате вызова инструментов. Инструменты MCP может использовать любая OpenAI-совместимая модель с работающим вызовом инструментов.

### Должна ли модель поддерживать MCP?

Нет. Модели нужен только function calling. Работу с протоколом — получение списка инструментов и их вызов — выполняет MCP-клиент в вашем приложении.

### Какие агенты для программирования поддерживают MCP со своей OpenAI-совместимой моделью?

Cline, Continue в режиме Agent и opencode позволяют настроить MCP-серверы и стороннюю OpenAI-совместимую модель. Zoo Code, продолжение Roo Code, тоже заявляет поддержку MCP.

### Почему после подключения MCP-серверов агент стал медленнее и дороже?

Определения инструментов каждого сервера добавляются в промпт при каждом вызове модели. Десять серверов по дюжине инструментов могут добавлять тысячи входных токенов на каждом шаге. Включайте только те серверы, которые нужны задаче, или фильтруйте инструменты.

### Работают ли хостируемые инструменты MCP с другими провайдерами?

Хостируемые у OpenAI — нет. Документация OpenAI Agents SDK говорит, что HostedMCPTool работает с моделями OpenAI, поддерживающими хостируемую интеграцию MCP в Responses API. С другими провайдерами используйте классы локальных MCP-серверов из SDK.

## Читайте также

-   [Вызов инструментов в открытых моделях: схемы, параллельность, повторы](https://broadrouter.com/ru/blog/tool-calling-open-models/)
-   [Открытые модели в агентах для программирования: Aider, Cline, Codex](https://broadrouter.com/ru/blog/use-open-models-in-coding-agents/)
-   [Бюджет токенов агента: куда уходят токены в цикле агента](https://broadrouter.com/ru/blog/agent-token-budget/)
-   [ИИ-агент n8n на дешёвой LLM: настройка, выбор модели и цена запуска](https://broadrouter.com/ru/blog/n8n-ai-agent-cheap-llm/)
-   [Сколько стоит один запуск ИИ-агента для кода: шаги, контекст, кэш](https://broadrouter.com/ru/blog/ai-coding-agent-run-cost/)
-   [Claude Code на открытых моделях: прокси, нативные эндпоинты, лимиты](https://broadrouter.com/ru/blog/claude-code-with-openai-compatible-models/)
-   [Руководство: Cline и BroadNet Inference: провайдер OpenAI Compatible](https://broadrouter.com/ru/guides/cline-openai-compatible/)
-   [Руководство: Continue и BroadNet Inference: config.yaml и apiBase](https://broadrouter.com/ru/guides/continue-dev-openai-compatible/)
-   [Руководство: BroadNet Inference в opencode: свой провайдер](https://broadrouter.com/ru/guides/opencode-custom-provider/)
-   [Руководство: OpenAI Agents SDK на BroadNet Inference](https://broadrouter.com/ru/guides/openai-agents-sdk-custom-provider/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-mcp-with-openai-compatible-models&utm_content=page-cta) ·

**Источники**

-   [Model Context Protocol, обзор архитектуры (проверено 2026-11-14)](https://modelcontextprotocol.io/docs/learn/architecture)
-   [MCP Python SDK, клиенты и транспорты (проверено 2026-11-14)](https://py.sdk.modelcontextprotocol.io/client/transports/)
-   [Документация Cline, обзор MCP (проверено 2026-11-14)](https://docs.cline.bot/mcp/mcp-overview)
-   [Документация Continue, MCP (проверено 2026-11-14)](https://docs.continue.dev/customize/deep-dives/mcp)
-   [Документация opencode, MCP-серверы (проверено 2026-11-14)](https://opencode.ai/docs/mcp-servers/)
-   [Документация n8n, узел MCP Client Tool (проверено 2026-11-14)](https://docs.n8n.io/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.toolmcp/)
-   [Документация OpenAI Agents SDK, MCP (проверено 2026-11-14)](https://openai.github.io/openai-agents-python/mcp/)
