Das Model Context Protocol (MCP) gibt Agenten einen Standardweg zu Tools: GitHub, Datenbanken, Dateisysteme, Browser. Viele MCP-Tutorials setzen Claude oder GPT voraus. Sie brauchen keines von beiden. Dieser Beitrag erklärt, warum MCP mit jedem OpenAI-kompatiblen Modell funktioniert, das Tool Calling unterstützt, wie Sie es in den Clients einrichten, die Entwickler tatsächlich nutzen, und wie Sie MCP in Ihrem eigenen Code mit einem offenen Modell verbinden.
Warum funktioniert MCP mit jedem Modell?
MCP sitzt zwischen Ihrer Anwendung und den Tool-Servern, nicht zwischen Ihrer Anwendung und dem Modell. Die Architektur-Doku von MCP beschreibt drei Rollen:
- Host: die KI-Anwendung, etwa eine Editor-Erweiterung oder Ihr Skript.
- Client: eine Verbindung, die der Host zu jedem MCP-Server hält.
- Server: ein Programm, das Tools, Ressourcen und Prompts bereitstellt, lokal über stdio oder entfernt über Streamable HTTP.
Die Doku ist eindeutig: MCP „does not dictate how AI applications use LLMs or manage the provided context.“ (Übersetzung: „schreibt nicht vor, wie KI-Anwendungen LLMs nutzen oder den bereitgestellten Kontext verwalten.“) Der Host listet die Tools jedes Servers mit tools/list, führt sie zu einem Verzeichnis zusammen, das das Modell sehen kann, und sendet tools/call an den richtigen Server, wenn das Modell ein Tool anfordert.
Auf einer OpenAI-kompatiblen API bedeutet „das Modell kann sie sehen“, dass die Tools ins gewöhnliche tools-Array kommen. Ein MCP-Tool hat bereits einen Namen, eine Beschreibung und ein inputSchema, das sich eins zu eins auf eine Funktionsdefinition abbilden lässt. Das Modell erfährt nie, dass MCP beteiligt ist. Es braucht nur zuverlässiges Tool Calling.
Welches Modell sollten Sie für MCP nutzen?
| Modell bei BroadNet | Tool Calling gelistet | Kontext | Eignung für MCP |
|---|---|---|---|
| GLM 5.3 | Ja | 1.048.576 | Guter Standard für viele Server |
| Qwen3.8 27B | Ja | 262.144 | Gut, dazu Bildeingabe |
| DeepSeek V4.1 Flash | Nicht gelistet | 1.048.576 | Zuerst testen; Bildeingabe |
| Gemma 4 VL 26B | Nicht gelistet | 32.768 | Nicht empfohlen |
Die beiden Modelle mit Tool-Unterstützung im direkten Vergleich finden Sie unter GLM 5.3 vs. Qwen3.8 27B. Der Kontext zählt mehr, als viele erwarten. Jedes MCP-Tool-Schema reist bei jedem Aufruf mit. Die opencode-Doku sagt: „MCP tools consume model context, so add only the servers you need.“ (Übersetzung: „MCP-Tools verbrauchen Modellkontext, fügen Sie also nur die Server hinzu, die Sie brauchen.“) Wie Sie das messen, zeigt der Beitrag zum Token-Budget von Agenten.
Wie richten Sie MCP in gängigen Clients ein?
| Client | Wo die MCP-Server eingetragen werden | Transports | Hinweis |
|---|---|---|---|
| Cline | Panel MCP Servers, JSON mcpServers |
stdio, Streamable HTTP, Legacy-SSE | Remote-Typ "streamableHttp" |
| Continue | mcpServers in config.yaml oder .continue/mcpServers/ |
stdio, sse, streamable-http | Nur im Agent-Modus |
| opencode | mcp.servers in opencode.jsonc |
local, remote |
{env:NAME} für Secrets verwenden |
| n8n | Node MCP Client Tool an einem AI Agent | Endpoint eines Remote-Servers (die Doku beschreibt einen SSE-Endpoint) | Tools wählen: All, Selected oder All Except |
| OpenAI Agents SDK | mcp_servers=[...] am Agent |
stdio, Streamable HTTP, SSE | Nicht HostedMCPTool |
Richten Sie dann das Modell des Clients auf Ihren Anbieter aus: Die Leitfäden zu Cline, Continue und opencode behandeln die Modellseite für BroadNet. Denken Sie in Continue an die Capability tool_use, sonst ist der Agent-Modus nicht verfügbar.
Ein Beispiel für Continue, aus dessen Doku:
mcpServers:
- name: SQLite MCP
type: stdio
command: npx
args: ["-y", "mcp-sqlite", "/path/to/your/database.db"]
Wie verbinden Sie MCP in Python mit einem offenen Modell?
Wenn Sie Ihren eigenen Agenten bauen, ist die Brücke kurz. Sie nutzt den Client des MCP Python SDK (Version 2.0 oder neuer; pip install "mcp>=2"), der einen stdio-Server startet, wenn er StdioServerParameters erhält, und das OpenAI SDK mit BroadNet als Ziel:
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.")))
In mcp 1.x gibt es keine Klasse Client: Öffnen Sie den Server mit stdio_client(...), umschließen Sie ihn mit einer ClientSession, rufen Sie initialize() auf und lesen Sie die camelCase-Felder inputSchema und isError. Drei Details sind wichtig:
- Fehler werden zu Tool-Ergebnissen. Das MCP SDK meldet Tool-Fehler mit
is_error, statt eine Ausnahme zu werfen. Geben Sie sie zurück, damit das Modell sich anpassen kann. Unser Leitfaden zu Tool Calling behandelt Validierung und Retries. - Begrenzen Sie die Schleife. Hier sind es acht Schritte. MCP-Server, die große Ergebnisse liefern, füllen den Kontext schnell.
- Filtern Sie Tools. Stellen Sie nur die Tools bereit, die die Aufgabe braucht. Das OpenAI Agents SDK bietet dafür
tool_filter, n8n hat Selected und All Except.
Sie nutzen stattdessen das OpenAI Agents SDK? Dessen Klassen MCPServerStdio und MCPServerStreamableHttp laufen in Ihrem Prozess. Kombinieren Sie sie mit einem eigenen Anbieter wie in unserem Leitfaden zum Agents SDK. HostedMCPTool dagegen läuft in der Responses API von OpenAI und funktioniert nur mit OpenAI-Modellen.
Was geht bei MCP mit offenen Modellen schief?
- Zu viele Tools. Das Modell wählt das falsche oder ignoriert Tools. Halten Sie die aktive Menge klein. Für Ihre eigenen Tools erzeugt der JSON-Schema-Generator ein sauberes, flaches
parameters-Schema. - Große Tool-Ergebnisse. Ein Server, der eine ganze Datenbanktabelle zurückgibt, kann das Kontextfenster sprengen. Begrenzen oder paginieren Sie.
- Leere oder abgeschnittene Antworten. GLM 5.3 und Qwen3.8 27B denken zuerst nach, und das Reasoning zählt zu
max_tokens. Erhöhen Sie den Wert. - Vertrauen. MCP-Server führen Code auf Ihrem Rechner aus oder rufen Dienste mit Ihren Zugangsdaten auf. Installieren Sie nur Server, denen Sie vertrauen, und bestätigen Sie Aktionen, die schreiben oder Geld ausgeben.
Wo BroadNet Inference ins Bild passt
BroadNet Inference liefert die Modellseite: GLM 5.3 und Qwen3.8 27B mit gelistetem Tool Calling, über das Standardformat für Chat Completions, das jeder der oben genannten MCP-Clients nutzen kann, und mit Zero Data Retention für Prompts und Ausgaben. MCP-Server oder gehostete Tools betreibt BroadNet nicht für Sie; das übernimmt Ihr Client. Die Preise pro Token für beide Modelle stehen auf der Preisseite, Schlüssel gibt es unter inference.broadnet.ai.
