---
title: "Pelayan MCP dengan model serasi OpenAI: cara ia berfungsi"
description: "MCP berfungsi dengan mana-mana LLM: klien menukar tool MCP kepada function call. Cara guna MCP dengan model terbuka dalam Cline, Continue, opencode, n8n atau Python."
url: https://broadrouter.com/ms/blog/mcp-with-openai-compatible-models/
lang: ms
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/mcp-with-openai-compatible-models/) (dikemas kini 2026-11-16).

# Gunakan pelayan MCP dengan model serasi OpenAI (mana-mana penyedia)

Oleh pasukan BroadNet Inference · 4 minit bacaan · Diterbitkan 2026-11-14 · Dikemas kini 2026-11-16

MCP tidak bergantung pada model. Klien MCP dalam aplikasi anda menyenaraikan tool setiap pelayan, menghantarnya kepada model sebagai tool function calling biasa, dan menjalankan tools/call apabila model memintanya. Mana-mana model serasi OpenAI dengan panggilan alat yang boleh dipercayai boleh menggunakan pelayan MCP. Konfigurasikannya dalam Cline, Continue, opencode atau n8n, atau sambungkannya dalam kira-kira 40 baris Python.

## Perkara utama

-   Dokumentasi MCP menyatakan ia "does not dictate how AI applications use LLMs" (Terjemahan: tidak menentukan cara aplikasi AI menggunakan LLM). Aplikasi hos menterjemah tool MCP kepada format tool model.
-   Model memerlukan panggilan alat. Di BroadNet Inference, GLM 5.3 dan Qwen3.8 27B menyenaraikannya.
-   Cline, Continue (mod Agent sahaja), opencode, n8n dan OpenAI Agents SDK semuanya bertindak sebagai klien MCP dengan model tersuai.
-   Setiap skema tool MCP dihantar pada setiap panggilan model. Dokumentasi opencode memberi amaran bahawa tool MCP menggunakan konteks model; tambah hanya pelayan yang anda perlukan.
-   Tool MCP yang dihoskan dan berjalan di dalam Responses API OpenAI tidak berfungsi dengan penyedia lain; klien MCP setempat berfungsi.

**Dalam halaman ini**

1.  Mengapakah MCP berfungsi dengan mana-mana model?
2.  Model manakah yang patut digunakan untuk MCP?
3.  Bagaimanakah cara menyediakan MCP dalam klien biasa?
4.  Bagaimanakah cara menyambungkan MCP kepada model terbuka dalam Python?
5.  Apakah masalah biasa MCP pada model terbuka?
6.  Di manakah BroadNet Inference sesuai

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](https://broadrouter.com/ms/glossary/openai-compatible-api/) 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](https://broadrouter.com/ms/glossary/tool-calling/) yang boleh dipercayai.

## Model manakah yang patut digunakan untuk MCP?

| Model di BroadNet | Panggilan alat disenaraikan | Konteks | Kesesuaian MCP |
| --- | --- | --- | --- |
| [GLM 5.3](https://broadrouter.com/ms/models/glm-5.3/) | Ya | 1,048,576 | Pilihan lalai yang baik untuk banyak pelayan |
| [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) | Ya | 262,144 | Baik, serta input imej |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) | Tidak disenaraikan | 1,048,576 | Uji dahulu; input imej |
| [Gemma 4 VL 26B](https://broadrouter.com/ms/models/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](https://broadrouter.com/compare/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](https://broadrouter.com/ms/blog/agent-token-budget/) 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](https://broadrouter.com/ms/guides/cline-openai-compatible/), [Continue](https://broadrouter.com/ms/guides/continue-dev-openai-compatible/) dan [opencode](https://broadrouter.com/ms/guides/opencode-custom-provider/) merangkumi bahagian model untuk BroadNet. Dalam Continue, ingat keupayaan `tool_use`, jika tidak mod Agent tidak akan tersedia.

Contoh Continue, daripada dokumentasinya:

```yaml
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:

```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.")))
```

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:

1.  **Ralat menjadi hasil tool.** MCP SDK melaporkan kegagalan tool dengan `is_error` dan bukannya menimbulkan ralat. Hantarnya semula supaya model boleh menyesuaikan diri. [Panduan panggilan alat](https://broadrouter.com/ms/blog/tool-calling-open-models/) kami merangkumi pengesahan dan cuba semula.
2.  **Hadkan gelung.** Lapan langkah di sini. Pelayan MCP yang memulangkan hasil besar memenuhkan konteks dengan cepat.
3.  **Tapis tool.** Dedahkan hanya tool yang diperlukan oleh tugasan. OpenAI Agents SDK menawarkan `tool_filter` untuk 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](https://broadrouter.com/ms/guides/openai-agents-sdk-custom-provider/) 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](https://broadrouter.com/tools/json-schema-generator/) menghasilkan skema `parameters` yang bersih dan rata.
-   **Hasil tool yang besar.** Pelayan yang memulangkan keseluruhan jadual pangkalan data boleh melampaui [tetingkap konteks](https://broadrouter.com/ms/glossary/context-window/). 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](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/).
-   **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](https://broadrouter.com/ms/pricing/), dan kunci ada di [inference.broadnet.ai](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-mcp-with-openai-compatible-models&utm_content=body).

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [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.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

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

MCP (Model Context Protocol) ialah protokol terbuka berasaskan JSON-RPC 2.0 yang menyeragamkan cara aplikasi LLM bersambung kepada alatan dan data luaran. Pelayan MCP mendedahkan tools, resources dan prompts; klien MCP di dalam aplikasi hos menemuinya dan menghantar panggilan alatan daripada model kepada pelayan.

[Tetingkap konteks (context window)](https://broadrouter.com/ms/glossary/context-window/)

Tetingkap konteks ialah bilangan maksimum token yang boleh dikendalikan oleh model bahasa dalam satu permintaan. Ia meliputi prompt, sejarah perbualan, definisi alatan, imej dan output yang dijana, termasuk token penaakulan. Apa-apa yang tidak muat mesti dipotong, diringkaskan atau dipecahkan kepada beberapa permintaan.

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

Server-sent events (SSE) ialah piawaian web untuk pelayan menolak aliran event teks kepada klien melalui satu respons HTTP yang kekal lama dengan jenis kandungan text/event-stream. Setiap event terdiri daripada satu atau lebih baris medan, seperti data:, yang ditamatkan dengan baris kosong.

[Model open-weight (model pemberat terbuka)](https://broadrouter.com/ms/glossary/open-weight-model/)

Model open-weight ialah model pembelajaran mesin yang pemberat terlatihnya diterbitkan untuk dimuat turun dan dijalankan oleh sesiapa sahaja, biasanya di bawah lesen bersyarat. Ia berbeza daripada AI sumber terbuka sepenuhnya, yang turut mengeluarkan kod latihan dan maklumat terperinci tentang data latihan supaya orang lain boleh mengkaji dan menghasilkan semula model itu.

[Tool calling (panggilan alatan)](https://broadrouter.com/ms/glossary/tool-calling/)

Tool calling, juga dipanggil function calling, ialah ciri API LLM di mana model memulangkan permintaan berstruktur untuk menjalankan fungsi yang ditakrifkan oleh pembangun, bersama argumen JSON. Aplikasi menjalankan fungsi itu dan menghantar hasilnya kembali; model sendiri tidak pernah menjalankan kod.

[Token](https://broadrouter.com/ms/glossary/token/)

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Zero data retention (ZDR, tiada pengekalan data)](https://broadrouter.com/ms/glossary/zero-data-retention/)

Zero data retention (ZDR) ialah dasar pengendalian data di mana penyedia AI memproses prompt dan output hanya untuk melayan permintaan dan tidak menyimpan kandungan itu selepasnya, sama ada dalam log, cache atau data latihan. Rekod tanpa kandungan seperti bilangan token dan masa biasanya masih disimpan.

[Ejen AI (AI agent)](https://broadrouter.com/ms/glossary/agent/)

Ejen AI ialah sistem di mana model bahasa mengarahkan langkahnya sendiri ke arah sesuatu matlamat: ia memutuskan alatan yang hendak dipanggil, membaca hasilnya dan mengulang sehingga menghasilkan jawapan akhir atau mencapai had. Skrip tetap yang memanggil model pada titik yang ditetapkan biasanya dipanggil aliran kerja (workflow).

## Soalan lazim

### Bolehkah saya menggunakan MCP dengan model yang bukan Claude atau GPT?

Ya. MCP ialah protokol antara aplikasi anda dan pelayan tool. Aplikasi menghantar tool kepada apa-apa model yang digunakannya melalui format panggilan alat model itu. Mana-mana model serasi OpenAI dengan panggilan alat yang berfungsi boleh menggunakan tool MCP.

### Adakah model perlu menyokong MCP?

Tidak. Model hanya memerlukan function calling. Klien MCP dalam aplikasi anda melakukan kerja protokol, iaitu menyenaraikan tool dan memanggilnya.

### Ejen pengekodan manakah yang menyokong MCP dengan model tersuai yang serasi OpenAI?

Cline, Continue dalam mod Agent dan opencode semuanya membolehkan anda mengkonfigurasi pelayan MCP dan model tersuai yang serasi OpenAI. Zoo Code, sambungan kepada Roo Code, juga menyenaraikan sokongan MCP.

### Mengapakah menambah pelayan MCP menjadikan ejen saya lebih perlahan dan lebih mahal?

Definisi tool setiap pelayan ditambah kepada prompt pada setiap panggilan model. Sepuluh pelayan dengan sedozen tool setiap satu boleh menambah ribuan token input bagi setiap langkah. Dayakan hanya pelayan yang diperlukan oleh tugasan, atau tapis tool.

### Adakah tool MCP yang dihoskan berfungsi dengan penyedia lain?

Bukan jenis yang dihoskan oleh OpenAI. Dokumentasi OpenAI Agents SDK menyatakan HostedMCPTool berfungsi dengan model OpenAI yang menyokong integrasi MCP dihoskan dalam Responses API. Gunakan kelas pelayan MCP setempat SDK itu dengan penyedia lain.

## Teruskan membaca

-   [Tool calling pada model terbuka: skema, panggilan selari, cuba semula](https://broadrouter.com/ms/blog/tool-calling-open-models/)
-   [Model terbuka dalam ejen pengekodan: Aider, Cline, opencode, Codex](https://broadrouter.com/ms/blog/use-open-models-in-coding-agents/)
-   [Bajet token ejen: ke mana token gelung ejen pergi](https://broadrouter.com/ms/blog/agent-token-budget/)
-   [n8n AI Agent pada LLM murah: persediaan, pilihan model, kos larian](https://broadrouter.com/ms/blog/n8n-ai-agent-cheap-llm/)
-   [Berapakah kos satu larian ejen pengekodan AI: langkah, konteks, cache](https://broadrouter.com/ms/blog/ai-coding-agent-run-cost/)
-   [Claude Code dengan model terbuka: proksi, endpoint asli dan had](https://broadrouter.com/ms/blog/claude-code-with-openai-compatible-models/)
-   [Panduan: Guna Cline dengan BroadNet Inference (penyedia OpenAI Compatible)](https://broadrouter.com/ms/guides/cline-openai-compatible/)
-   [Panduan: Guna Continue dengan BroadNet Inference (config.yaml dan apiBase)](https://broadrouter.com/ms/guides/continue-dev-openai-compatible/)
-   [Panduan: Tambah BroadNet Inference ke opencode sebagai penyedia tersuai](https://broadrouter.com/ms/guides/opencode-custom-provider/)
-   [Panduan: Jalankan OpenAI Agents SDK pada BroadNet Inference](https://broadrouter.com/ms/guides/openai-agents-sdk-custom-provider/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [Model Context Protocol, gambaran keseluruhan seni bina (disemak 2026-11-14)](https://modelcontextprotocol.io/docs/learn/architecture)
-   [MCP Python SDK, klien dan pengangkutan (disemak 2026-11-14)](https://py.sdk.modelcontextprotocol.io/client/transports/)
-   [Dokumentasi Cline, gambaran keseluruhan MCP (disemak 2026-11-14)](https://docs.cline.bot/mcp/mcp-overview)
-   [Dokumentasi Continue, MCP (disemak 2026-11-14)](https://docs.continue.dev/customize/deep-dives/mcp)
-   [Dokumentasi opencode, pelayan MCP (disemak 2026-11-14)](https://opencode.ai/docs/mcp-servers/)
-   [Dokumentasi n8n, nod MCP Client Tool (disemak 2026-11-14)](https://docs.n8n.io/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.toolmcp/)
-   [Dokumentasi OpenAI Agents SDK, MCP (disemak 2026-11-14)](https://openai.github.io/openai-agents-python/mcp/)
