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 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.
Какую модель использовать для MCP?
| Модель в BroadNet | Вызов инструментов указан | Контекст | Пригодность для MCP |
|---|---|---|---|
| GLM 5.3 | Да | 1 048 576 | Хороший выбор по умолчанию для многих серверов |
| Qwen3.8 27B | Да | 262 144 | Хорошо, плюс ввод изображений |
| DeepSeek V4.1 Flash | Не указан | 1 048 576 | Сначала протестируйте; ввод изображений |
| 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. 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.
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, Continue и opencode. В Continue не забудьте про возможность tool_use, иначе режим Agent будет недоступен.
Пример для Continue из его документации:
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:
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:
- 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. - Ограничьте цикл. Здесь восемь шагов. MCP-серверы, возвращающие большие результаты, быстро заполняют контекст.
- 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. 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 строит чистую плоскую схему
parameters. - Большие результаты инструментов. Сервер, возвращающий целую таблицу базы данных, может переполнить контекстное окно. 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. - 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, ключи — на inference.broadnet.ai.
