Il Model Context Protocol (MCP) offre agli agenti un modo standard per raggiungere i tool: GitHub, database, file system, browser. Molti tutorial su MCP danno per scontato Claude o GPT. Non ti serve nessuno dei due. Questo articolo spiega perché MCP funziona con qualsiasi modello compatibile con OpenAI che supporti il tool calling, come configurarlo nei client che gli sviluppatori usano davvero e come collegare MCP a un modello aperto nel tuo codice.
Perché MCP funziona con qualsiasi modello?
MCP sta tra la tua applicazione e i server di tool, non tra la tua applicazione e il modello. La documentazione sull’architettura di MCP descrive tre ruoli:
- Host: l’applicazione AI, come un’estensione dell’editor o il tuo script.
- Client: una connessione che l’host mantiene verso ciascun server MCP.
- Server: un programma che espone tool, risorse e prompt, in locale via stdio o in remoto via Streamable HTTP.
La documentazione è esplicita: MCP «does not dictate how AI applications use LLMs or manage the provided context.» (traduzione: non impone come le applicazioni AI usano gli LLM o gestiscono il contesto fornito). L’host elenca i tool di ogni server con tools/list, li unisce in un unico registro visibile al modello e, quando il modello chiede un tool, invia tools/call al server giusto.
Su un’API compatibile con OpenAI, “visibile al modello” significa che i tool finiscono nel normale array tools. Un tool MCP ha già un nome, una descrizione e un inputSchema, che corrispondono uno a uno a una definizione di funzione. Il modello non sa nemmeno che c’è di mezzo MCP. Gli serve solo un tool calling affidabile.
Quale modello usare con MCP?
| Modello su BroadNet | Tool calling dichiarato | Contesto | Adatto a MCP |
|---|---|---|---|
| GLM 5.3 | Sì | 1.048.576 | Buona scelta predefinita con molti server |
| Qwen3.8 27B | Sì | 262.144 | Buono, con in più l’input di immagini |
| DeepSeek V4.1 Flash | Non dichiarato | 1.048.576 | Provalo prima; input di immagini |
| Gemma 4 VL 26B | Non dichiarato | 32.768 | Sconsigliato |
Per confrontare fianco a fianco i due modelli con i tool, vedi GLM 5.3 vs Qwen3.8 27B. Il contesto conta più di quanto si pensi. Ogni schema di tool MCP viaggia con ogni chiamata. La documentazione di opencode dice: «MCP tools consume model context, so add only the servers you need.» (traduzione: i tool MCP consumano contesto del modello, quindi aggiungi solo i server che ti servono). L’articolo sul budget di token di un agente mostra come misurarlo.
Come si configura MCP nei client più comuni?
| Client | Dove vanno i server MCP | Trasporti | Nota |
|---|---|---|---|
| Cline | Pannello MCP Servers, JSON mcpServers |
stdio, Streamable HTTP, SSE legacy | Tipo remoto "streamableHttp" |
| Continue | mcpServers in config.yaml o .continue/mcpServers/ |
stdio, sse, streamable-http | Solo modalità Agent |
| opencode | mcp.servers in opencode.jsonc |
local, remote |
Usa {env:NAME} per i segreti |
| n8n | Nodo MCP Client Tool su un AI Agent | Endpoint di server remoto (la documentazione descrive un endpoint SSE) | Scegli i tool con All, Selected o All Except |
| OpenAI Agents SDK | mcp_servers=[...] sull’Agent |
stdio, Streamable HTTP, SSE | Non HostedMCPTool |
Poi punta il modello del client al tuo provider: le guide per Cline, Continue e opencode coprono la parte del modello per BroadNet. In Continue ricordati la capability tool_use, altrimenti la modalità Agent non sarà disponibile.
Un esempio per Continue, dalla sua documentazione:
mcpServers:
- name: SQLite MCP
type: stdio
command: npx
args: ["-y", "mcp-sqlite", "/path/to/your/database.db"]
Come si collega MCP a un modello aperto in Python?
Se stai costruendo il tuo agente, il collegamento è breve. Questo usa il Client dell’MCP Python SDK (versione 2.0 o successiva; pip install "mcp>=2"), che avvia un server stdio quando riceve StdioServerParameters, e l’SDK di OpenAI puntato su 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.")))
Con mcp 1.x non esiste la classe Client: apri il server con stdio_client(...), avvolgilo in una ClientSession, chiama initialize() e leggi i campi in camelCase inputSchema e isError. Contano tre dettagli:
- Gli errori diventano risultati dei tool. L’MCP SDK segnala i fallimenti dei tool con
is_errorinvece di sollevare eccezioni. Rimandali al modello così può correggersi. La nostra guida al tool calling copre validazione e retry. - Limita il ciclo. Qui sono otto passaggi. I server MCP che restituiscono risultati grandi riempiono in fretta il contesto.
- Filtra i tool. Esponi solo i tool che servono al compito. L’OpenAI Agents SDK offre
tool_filterper questo, e n8n ha Selected e All Except.
Usi invece l’OpenAI Agents SDK? Le sue classi MCPServerStdio e MCPServerStreamableHttp girano nel tuo processo. Combinale con un provider personalizzato come nella nostra guida all’Agents SDK. Il suo HostedMCPTool gira dentro la Responses API di OpenAI e funziona solo con i modelli OpenAI.
Cosa va storto con MCP sui modelli aperti?
- Troppi tool. Il modello sceglie quello sbagliato o ignora i tool. Tieni piccolo l’insieme attivo. Per i tuoi tool, il generatore di JSON schema produce uno schema
parameterspulito e piatto. - Risultati dei tool troppo grandi. Un server che restituisce un’intera tabella di database può sforare la finestra di contesto. Metti un tetto o pagina i risultati.
- Risposte vuote o tagliate. GLM 5.3 e Qwen3.8 27B ragionano prima, e il ragionamento conta in
max_tokens. Alzalo. - Fiducia. I server MCP eseguono codice sulla tua macchina o chiamano servizi con le tue credenziali. Installa server di cui ti fidi e chiedi conferma per le azioni che scrivono o spendono.
Dove si inserisce BroadNet Inference
BroadNet Inference fornisce la parte del modello: GLM 5.3 e Qwen3.8 27B con tool calling dichiarato, tramite il formato standard chat completions che tutti i client MCP visti sopra possono usare, con zero data retention (nessuna conservazione dei dati) su prompt e output. Non esegue server MCP né tool ospitati per te; quello lo fa il tuo client. I prezzi per token di entrambi i modelli sono nella pagina dei prezzi, e le chiavi su inference.broadnet.ai.
