El Model Context Protocol (MCP) ofrece a los agentes una forma estándar de llegar a herramientas: GitHub, bases de datos, sistemas de archivos, navegadores. Muchos tutoriales de MCP dan por hecho Claude o GPT, pero no necesita ninguno de los dos. Este artículo explica por qué MCP funciona con cualquier modelo compatible con OpenAI que admita tool calling, cómo configurarlo en los clientes que de verdad usan los desarrolladores y cómo conectar MCP con un modelo abierto en su propio código.
¿Por qué MCP funciona con cualquier modelo?
MCP se sitúa entre su aplicación y los servidores de herramientas, no entre su aplicación y el modelo. La documentación de arquitectura de MCP describe tres roles:
- Host (anfitrión): la aplicación de IA, como una extensión del editor o su script.
- Client (cliente): una conexión que el host mantiene con cada servidor MCP.
- Server (servidor): un programa que expone herramientas, recursos y prompts, en local por stdio o en remoto por Streamable HTTP.
La documentación es explícita: MCP “does not dictate how AI applications use LLMs or manage the provided context.” (Traducción: «no dicta cómo las aplicaciones de IA usan los LLM ni cómo gestionan el contexto proporcionado»). El host lista las herramientas de cada servidor con tools/list, las une en un registro que el modelo puede ver y, cuando el modelo pide una herramienta, envía tools/call al servidor que corresponde.
En una API compatible con OpenAI, «que el modelo puede ver» significa que las herramientas van en el array tools de siempre. Una herramienta MCP ya tiene nombre, descripción y un inputSchema, que se corresponde uno a uno con una definición de función. El modelo nunca sabe que hay MCP de por medio. Lo único que necesita es un tool calling fiable.
¿Qué modelo usar con MCP?
| Modelo en BroadNet | Tool calling listado | Contexto | Encaje con MCP |
|---|---|---|---|
| GLM 5.3 | Sí | 1,048,576 | Buena opción por defecto con muchos servidores |
| Qwen3.8 27B | Sí | 262,144 | Bueno, además con entrada de imágenes |
| DeepSeek V4.1 Flash | No listado | 1,048,576 | Pruébelo primero; entrada de imágenes |
| Gemma 4 VL 26B | No listado | 32,768 | No recomendado |
Para ver los dos modelos con herramientas lado a lado, consulte GLM 5.3 frente a Qwen3.8 27B. El contexto importa más de lo que se suele pensar: cada esquema de herramienta MCP viaja en cada llamada. La documentación de opencode dice “MCP tools consume model context, so add only the servers you need.” (Traducción: «las herramientas MCP consumen contexto del modelo, así que añada solo los servidores que necesite»). El artículo sobre el presupuesto de tokens del agente muestra cómo medirlo.
¿Cómo se configura MCP en los clientes más comunes?
| Cliente | Dónde van los servidores MCP | Transportes | Nota |
|---|---|---|---|
| Cline | Panel MCP Servers, JSON mcpServers |
stdio, Streamable HTTP, SSE heredado | Tipo remoto "streamableHttp" |
| Continue | mcpServers en config.yaml o .continue/mcpServers/ |
stdio, sse, streamable-http | Solo en modo Agent |
| opencode | mcp.servers en opencode.jsonc |
local, remote |
Use {env:NAME} para los secretos |
| n8n | Nodo MCP Client Tool en un AI Agent | Endpoint de servidor remoto (su documentación describe un endpoint SSE) | Elija herramientas con All, Selected o All Except |
| OpenAI Agents SDK | mcp_servers=[...] en el Agent |
stdio, Streamable HTTP, SSE | No HostedMCPTool |
Después, apunte el modelo del cliente a su proveedor: las guías de Cline, Continue y opencode cubren la parte del modelo para BroadNet. En Continue, recuerde la capacidad tool_use, o el modo Agent no estará disponible.
Un ejemplo de Continue, tomado de su documentación:
mcpServers:
- name: SQLite MCP
type: stdio
command: npx
args: ["-y", "mcp-sqlite", "/path/to/your/database.db"]
¿Cómo conectar MCP con un modelo abierto en Python?
Si está construyendo su propio agente, el puente es corto. Este usa el Client del MCP Python SDK (versión 2.0 o posterior; pip install "mcp>=2"), que lanza un servidor stdio cuando recibe StdioServerParameters, y el SDK de OpenAI apuntando a 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.")))
En mcp 1.x no existe la clase Client: abra el servidor con stdio_client(...), envuélvalo en una ClientSession, llame a initialize() y lea los campos en camelCase inputSchema e isError. Importan tres detalles:
- Los errores se convierten en resultados de herramienta. El SDK de MCP informa los fallos de herramientas con
is_erroren lugar de lanzar una excepción. Devuélvalos para que el modelo se ajuste. Nuestra guía de tool calling cubre la validación y los reintentos. - Acote el bucle. Aquí, ocho pasos. Los servidores MCP que devuelven resultados grandes llenan el contexto rápido.
- Filtre las herramientas. Exponga solo las que necesite la tarea. El OpenAI Agents SDK ofrece
tool_filterpara ello, y n8n tiene Selected y All Except.
¿Usa el OpenAI Agents SDK? Sus clases MCPServerStdio y MCPServerStreamableHttp se ejecutan en su proceso. Combínelas con un proveedor personalizado como en nuestra guía del Agents SDK. Su HostedMCPTool se ejecuta dentro de la Responses API de OpenAI y solo funciona con modelos de OpenAI.
¿Qué falla con MCP en modelos abiertos?
- Demasiadas herramientas. El modelo elige la que no es o ignora las herramientas. Mantenga pequeño el conjunto activo. Para sus propias herramientas, el generador de JSON Schema produce un esquema
parameterslimpio y plano. - Resultados de herramienta grandes. Un servidor que devuelve una tabla entera de la base de datos puede desbordar la ventana de contexto. Limite o pagine.
- Respuestas vacías o cortadas. GLM 5.3 y Qwen3.8 27B razonan primero, y el razonamiento cuenta dentro de
max_tokens. Súbalo. - Confianza. Los servidores MCP ejecutan código en su máquina o llaman a servicios con sus credenciales. Instale servidores de confianza y confirme las acciones que escriben o gastan.
Dónde encaja BroadNet Inference
BroadNet Inference aporta la parte del modelo: GLM 5.3 y Qwen3.8 27B con tool calling listado, mediante el formato estándar de chat completions que pueden usar todos los clientes MCP anteriores, sin retención de datos de prompts ni de salidas. No ejecuta servidores MCP ni herramientas alojadas por usted; eso lo hace su cliente. Los precios por token de ambos modelos están en la página de precios, y las claves, en inference.broadnet.ai.
