Codex 接入 Rhino MCP 教程：3 步实现 AI 自动建模

作者注：从零部署 Rhino MCP Server，在 Codex 中配置 API易 接口，3 步跑通第一条自然语言建模指令，并对比 GPT Codex 与 Claude 系列的建模表现。

用一句话让 Rhino 自动建模，是很多 3D 设计师和参数化建模工程师的需求。这件事的难点不在 Rhino，而在于大模型、MCP 协议和客户端三者怎么连起来。本文介绍 Codex + Rhino MCP + API易 接口 的完整接入方案，帮助你掌握 Codex 接入 Rhino MCP 的实操方法。

这不是一篇概念科普，而是按照“部署 MCP Server → 配置 Codex 接口 → 跑通第一条指令”的顺序写成的落地指南。我们在支持用户的过程中发现，大家通常卡在三个地方：环境从零怎么搭、Codex 怎么接入第三方 API、哪个模型建模效果更好。本文会逐一给出答案。

核心价值：读完本文，你将能在本机用自然语言驱动 Rhino 创建几何体，并知道如何科学地对比不同模型的建模表现。

Codex 接入 Rhino MCP 核心要点

在动手之前，先弄清楚整条链路由哪几部分组成，以及各部分由谁负责。很多接入失败，其实是把“模型接口问题”和“MCP Server 问题”混在一起排查导致的。

Rhino MCP 工作原理详解

MCP（Model Context Protocol）是一种让 AI 客户端以统一方式调用外部工具的协议。Rhino MCP Server 会把“创建立方体”“获取当前文档对象”“执行 Python 脚本”等能力注册成一组工具，Codex 启动时读取这些工具的名称、说明和参数结构，再把它们一起发给大模型。

当你输入“在原点画一个 100×50×20 的立方体”，模型不会直接操作 Rhino，而是返回一个结构化的工具调用请求。Codex 把这个请求转发给 MCP Server，Server 再通过本地连接通知 Rhino 插件执行，结果原路返回给模型。所以，建模质量本质上取决于模型的工具调用能力和多步任务规划能力，这也是选型时最需要关注的指标。

Codex 接入 Rhino MCP 环境准备

正式开始之前，请确认本机满足以下条件。Rhino MCP 是社区开源项目，不同版本的安装方式可能有细微差别，具体请以项目 README 为准。

如果你所在的网络环境无法稳定访问海外官方接口，建议优先解决模型接口这一环。MCP Server 和 Rhino 都运行在本机，真正需要联网的只有模型推理请求。

Codex 接入 Rhino MCP 快速上手：3 步实现 AI 自动建模

第 1 步：部署 Rhino MCP Server

以社区开源的 rhinomcp 项目为例，部署分为“Rhino 端插件”和“MCP Server 端”两部分：

1. 在 Rhino 中打开 Package Manager，搜索 rhinomcp 并安装插件，安装后重启 Rhino。
2. 在 Rhino 命令行输入插件提供的启动命令（项目中为 mcpstart），让插件开始监听本地连接。
3. 在终端执行 uvx rhinomcp，确认 MCP Server 能够正常启动、没有报错。

第 2 步之后，Codex 会自动拉起 MCP Server，所以这里的手动启动只用于验证环境。如果 uvx 提示找不到命令，通常是 uv 没有加入系统 PATH，重新打开终端或按 uv 官方说明配置即可。

第 2 步：在 Codex 中配置 API易 接口

Codex 的配置文件位于用户目录下的 ~/.codex/config.toml。我们需要在这里同时完成两件事：声明自定义模型提供方，以及注册 Rhino MCP Server。

# ~/.codex/config.toml
model = "gpt-5-codex"          # 以 API易 控制台中实际可用的模型名为准
model_provider = "apiyi"

[model_providers.apiyi]
name = "APIYI"
base_url = "https://api.apiyi.com/v1"   # API易 OpenAI 兼容接口
env_key = "APIYI_API_KEY"               # 从环境变量读取 Key
wire_api = "responses"                  # 若使用 Chat Completions 协议则改为 "chat"

[mcp_servers.rhino]
command = "uvx"
args = ["rhinomcp"]

然后在终端设置环境变量，Windows 用户可在系统环境变量中添加：

export APIYI_API_KEY="sk-你的密钥"

wire_api 的取值需要与所选模型支持的协议一致。如果配置后出现协议相关报错，可以切换为另一种取值再试，具体以 API易 文档中 Codex 使用场景的说明为准。

第 3 步：跑通第一条自然语言建模指令

保持 Rhino 打开且插件处于监听状态，在终端输入 codex 启动客户端。可以先问一句“你现在有哪些 Rhino 工具可用”，如果模型能列出建模相关的工具，说明 MCP 已经加载成功。

建议从简单指令开始，逐步增加任务复杂度，这样出问题时更容易定位：

复杂任务中，模型通常会选择调用“执行 Python 脚本”这类工具，一次性生成 RhinoScript 代码完成建模。此时模型的代码生成能力会直接决定成功率。

极简示例：用 Python 验证模型的工具调用能力

在接入 Codex 之前，也可以先用一段脚本，确认模型能否针对建模工具返回正确的调用参数。这一步能快速排除“模型接口不可用”的问题：

import openai, json

client = openai.OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

tools = [{"type": "function", "function": {
    "name": "create_box",
    "description": "在 Rhino 中创建立方体",
    "parameters": {"type": "object", "properties": {
        "origin": {"type": "array", "items": {"type": "number"}},
        "size": {"type": "array", "items": {"type": "number"}}},
        "required": ["origin", "size"]}}}]

resp = client.chat.completions.create(
    model="gpt-5-codex",  # 以控制台实际模型名为准
    messages=[{"role": "user", "content": "在原点画一个 100x50x20 的立方体"}],
    tools=tools)
call = resp.choices[0].message.tool_calls[0]
print(call.function.name, json.loads(call.function.arguments))

import openai
import json
from typing import List, Dict

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # 同一个 Key 可调用 GPT 与 Claude 系列
)

# 待测试的模型，请替换为控制台中实际可用的模型名
MODELS = ["gpt-5-codex", "claude-sonnet-4-5"]

TOOLS = [
    {"type": "function", "function": {
        "name": "create_box",
        "description": "创建立方体，origin 为角点坐标，size 为长宽高",
        "parameters": {"type": "object", "properties": {
            "origin": {"type": "array", "items": {"type": "number"}},
            "size": {"type": "array", "items": {"type": "number"}}},
            "required": ["origin", "size"]}}},
    {"type": "function", "function": {
        "name": "create_cylinder",
        "description": "创建圆柱，base 为底面圆心，radius 为半径，height 为高度",
        "parameters": {"type": "object", "properties": {
            "base": {"type": "array", "items": {"type": "number"}},
            "radius": {"type": "number"},
            "height": {"type": "number"}},
            "required": ["base", "radius", "height"]}}},
]

PROMPT = "画一张 1200x600x30 的桌面，桌面底部在 z=720，四角各加一条直径 40、高 720 的桌腿"


def run_test(model: str) -> List[Dict]:
    """返回模型规划出的全部工具调用"""
    try:
        resp = client.chat.completions.create(
            model=model,
            messages=[
                {"role": "system", "content": "你是 Rhino 建模助手，请一次性规划所有工具调用。"},
                {"role": "user", "content": PROMPT},
            ],
            tools=TOOLS,
        )
        calls = resp.choices[0].message.tool_calls or []
        return [{"name": c.function.name,
                 "args": json.loads(c.function.arguments)} for c in calls]
    except Exception as e:
        return [{"error": str(e)}]


if __name__ == "__main__":
    for m in MODELS:
        result = run_test(m)
        print(f"\n===== {m}：共 {len(result)} 个调用 =====")
        for item in result:
            print(item)
        # 期望：1 个 create_box + 4 个 create_cylinder，且桌腿位于四个角

🚀 快速开始：推荐先通过 API易 apiyi.com 领取新用户免费测试额度，用上面的脚本验证模型的工具调用是否正常，再接入 Codex 与 Rhino。这样遇到问题时，能清楚区分是模型接口的问题还是本地 MCP 环境的问题。

Codex 接入 Rhino MCP 如何选择模型

AI 自动建模对模型的要求集中在三点：代码生成、工具调用和复杂任务规划。根据我们的支持经验，建议优先测试 GPT Codex 系列和 Claude Sonnet/Opus 系列。下表给出的是定性对比，实际效果请以你自己的建模任务实测为准。

GPT Codex 对标分析：GPT Codex 系列与 Codex 客户端的配合最为原生，配置简单，生成 RhinoScript Python 脚本时风格稳定。但面对需要多轮读取场景、再做判断的修改类任务，表现会因提示词写法而有波动。对于以脚本生成为主的参数化建模，它是很稳妥的起点。

Claude 系列对标分析：Claude Sonnet/Opus 在工具调用的参数准确性和长链路规划上口碑较好。如果你更习惯 Claude，也可以使用 Claude Code 加载同一个 Rhino MCP Server 作为替代客户端。相比之下，在 Codex 内通过 OpenAI 兼容接口调用 Claude，更方便在同一套环境中横向对比。

💡 选择建议：模型表现与你的建模类型高度相关，没有绝对的最优解。建议通过 API易 apiyi.com 用同一个 Key 分别测试 GPT Codex 与 Claude 系列，用前文的对比脚本跑相同的指令，根据成功率和成本做决定。

Codex 接入 Rhino MCP 常见报错排查

接入过程中的报错，大多可以按“模型接口 → Codex 配置 → MCP Server → Rhino 插件”的顺序逐层排查。

常见问题 FAQ

Codex 接入 Rhino MCP 核心要点 Key Takeaways

• 链路组成：Rhino 插件、MCP Server、Codex 客户端、大模型 API 四部分缺一不可
• 本地部署：Rhino MCP Server 和 Codex 均在本机运行，只有模型推理需要联网
• 关键配置：在 config.toml 中同时声明模型提供方和 mcp_servers
• 循序渐进：从单个立方体开始，逐步增加到多步规划和脚本生成任务
• 模型选型：优先测试 GPT Codex 系列和 Claude Sonnet/Opus 系列
• 上手方式：用 API易 的一个 Key 即可在同一套环境中横向对比多个模型

总结

Codex 接入 Rhino MCP 的核心要点：

1. 第 1 步部署 MCP Server：安装 Rhino 插件并启动监听，用 uvx rhinomcp 验证服务
2. 第 2 步配置模型接口：在 Codex 配置文件中设置自定义提供方并注册 Rhino MCP
3. 第 3 步跑通建模指令：从简单指令开始，逐步验证模型的工具调用与规划能力

整条链路跑通之后，真正决定建模效果的是模型选择和指令写法。建议用本文的对比脚本，拿自己常见的建模任务做实测。

推荐通过 API易 apiyi.com 快速验证效果，平台提供 OpenAI 兼容接口、免费测试额度和多模型统一接入，便于在 Codex 中灵活切换 GPT 与 Claude 系列。

📚 参考资料

1. rhinomcp 开源项目：Rhino MCP 插件与 Server 实现
2. 链接：github.com/jingcheng-chen/rhinomcp

3. 说明：包含安装步骤、可用工具列表和版本兼容说明

4. OpenAI Codex 项目仓库：Codex CLI 安装与配置说明

5. 链接：github.com/openai/codex

6. 说明：config.toml 中模型提供方与 MCP Server 配置项的权威说明

7. Model Context Protocol 官方文档：MCP 协议规范

8. 链接：modelcontextprotocol.io
9. 说明：理解工具注册、调用与返回机制的基础资料

作者：APIYI 技术团队
技术交流：欢迎在 API易 官网首页联系我们，Codex、Claude Code 等使用场景的配置说明可访问 docs.apiyi.com 文档中心

延伸阅读

• 手把手教程：一个 Key 接上所有 Agent，用开源 magpie 统一接入 API 网关（以 Claude Code、Codex、Pi、Hermes 为例）:一份能照着做完的教程：约 30 分钟让你机器上所有编程 Agent（以 Claude Code、Codex、Pi、Hermes 为例）共用一个 API Key 和一个网关地址。含 magpie 界面截图、逐步接入流程、原生配置对照和报错排查表。