Anleitung zur Anbindung von Rhino MCP an Codex: KI-gestützte Modellierung in 3 Schritten

Autorenhinweis: Rhino MCP Server von Grund auf einrichten, die APIYI-Schnittstelle in Codex konfigurieren, in drei Schritten den ersten Modellierungsbefehl in natürlicher Sprache ausführen und die Modellierungsleistung von GPT Codex mit der der Claude-Modelle vergleichen.

Rhino per Spracheingabe automatisch modellieren zu lassen, ist für viele 3D-Designer und Experten für parametrische Modellierung ein wichtiges Anliegen. Die Herausforderung liegt dabei nicht in Rhino, sondern darin, das Große Sprachmodell, das MCP-Protokoll und den Client miteinander zu verbinden. Dieser Artikel stellt die vollständige Integration von Codex + Rhino MCP + APIYI-Schnittstelle vor und zeigt dir Schritt für Schritt, wie du Rhino MCP mit Codex verbindest.

Dies ist kein Artikel mit einer bloßen Einführung in die Grundlagen, sondern eine praxisnahe Anleitung in drei Schritten: „MCP Server einrichten → Codex-Schnittstelle konfigurieren → ersten Befehl ausführen“. Bei der Unterstützung unserer Nutzer haben wir festgestellt, dass meist drei Fragen offenbleiben: Wie richte ich die Umgebung von Grund auf ein? Wie binde ich eine Drittanbieter-API in Codex ein? Und welches Modell erzielt die besten Ergebnisse bei der Modellierung? In diesem Artikel beantworten wir alle drei Fragen.

Das Wichtigste: Nach der Lektüre kannst du Rhino auf deinem lokalen Rechner mit Anweisungen in natürlicher Sprache Geometrien erstellen lassen und weißt, wie du die Modellierungsleistung verschiedener Modelle systematisch vergleichst.

Die wichtigsten Punkte zur Anbindung von Rhino MCP an Codex

Bevor du loslegst, solltest du verstehen, aus welchen Komponenten die gesamte Verbindung besteht und wer für welche davon zuständig ist. Viele Probleme bei der Einrichtung entstehen, weil bei der Fehlersuche Probleme mit der Modell-API und Probleme mit dem MCP-Server miteinander vermischt werden.

So funktioniert Rhino MCP im Detail

MCP (Model Context Protocol) ist ein Protokoll, über das KI-Clients externe Tools auf einheitliche Weise aufrufen können. Der Rhino MCP Server registriert Funktionen wie „Quader erstellen“, „Objekte im aktuellen Dokument abrufen“ oder „Python-Skript ausführen“ als Tools. Beim Start liest Codex die Namen, Beschreibungen und Parameterstrukturen dieser Tools aus und übermittelt sie gemeinsam an das Große Sprachmodell.

Gibst du beispielsweise die Anweisung „Erstelle am Ursprung einen Quader mit den Maßen 100 × 50 × 20“, bedient das Modell Rhino nicht direkt, sondern gibt eine strukturierte Tool-Aufruf-Anfrage zurück. Codex leitet diese Anfrage an den MCP Server weiter, der das Rhino-Plug-in über eine lokale Verbindung zur Ausführung auffordert. Das Ergebnis wird auf demselben Weg an das Modell zurückgegeben. Die Qualität der Modellierung hängt im Wesentlichen davon ab, wie gut das Modell Tools aufrufen und mehrstufige Aufgaben planen kann. Darauf solltest du bei der Auswahl besonders achten.

Umgebung für die Anbindung von Codex an Rhino MCP vorbereiten

Prüfen Sie vor dem Start, ob Ihr Computer die folgenden Voraussetzungen erfüllt. Rhino MCP ist ein Open-Source-Projekt aus der Community. Die Installation kann je nach Version leicht variieren. Maßgeblich ist daher die README des Projekts.

Wenn Ihre Netzwerkverbindung den Zugriff auf die offiziellen Schnittstellen im Ausland nicht zuverlässig ermöglicht, sollten Sie zunächst die Verbindung zur Modellschnittstelle sicherstellen. MCP-Server und Rhino laufen lokal auf Ihrem Computer. Eine Internetverbindung benötigen Sie nur für die Modellinferenz.

Codex mit Rhino MCP verbinden: In 3 Schritten zur automatischen KI-Modellierung

Schritt 1: Rhino MCP Server bereitstellen

Am Beispiel des Open-Source-Communityprojekts rhinomcp besteht die Bereitstellung aus zwei Teilen: dem Plugin für Rhino und dem MCP Server.

1. Öffnen Sie in Rhino den Package Manager, suchen Sie nach rhinomcp und installieren Sie das Plugin. Starten Sie Rhino anschließend neu.
2. Geben Sie in der Rhino-Befehlszeile den vom Plugin bereitgestellten Startbefehl ein (im Projekt lautet er mcpstart), damit das Plugin lokale Verbindungen entgegennimmt.
3. Führen Sie im Terminal uvx rhinomcp aus und prüfen Sie, ob der MCP Server ohne Fehlermeldung startet.

Ab Schritt 2 startet Codex den MCP Server automatisch. Der manuelle Start dient hier also nur dazu, die Umgebung zu überprüfen. Wenn uvx als unbekannter Befehl gemeldet wird, ist uv meist nicht im System-PATH eingetragen. Öffnen Sie das Terminal erneut oder konfigurieren Sie den PATH gemäß der offiziellen uv-Dokumentation.

Schritt 2: APIYI-Schnittstelle in Codex konfigurieren

Die Konfigurationsdatei von Codex liegt im Benutzerverzeichnis unter ~/.codex/config.toml. Dort müssen wir zwei Dinge festlegen: den benutzerdefinierten Modellanbieter und den Rhino MCP Server.

# ~/.codex/config.toml
model = "gpt-5-codex"          # 以 APIYI 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"   # APIYI 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"]

Legen Sie anschließend die Umgebungsvariable im Terminal fest. Unter Windows können Sie sie in den Systemumgebungsvariablen hinzufügen:

export APIYI_API_KEY="sk-你的密钥"

Der Wert von wire_api muss zum Protokoll passen, das das ausgewählte Modell unterstützt. Wenn nach der Konfiguration ein protokollbezogener Fehler auftritt, versuchen Sie es mit dem jeweils anderen Wert. Maßgeblich sind die Angaben in der APIYI-Dokumentation zum Einsatz mit Codex.

Schritt 3: Den ersten Modellierungsbefehl in natürlicher Sprache ausführen

Lassen Sie Rhino geöffnet und das Plugin im Listening-Modus. Geben Sie im Terminal codex ein, um den Client zu starten. Fragen Sie zunächst: „Welche Rhino-Tools stehen dir aktuell zur Verfügung?“ Wenn das Modell Modellierungswerkzeuge auflisten kann, wurde MCP erfolgreich geladen.

Beginnen Sie am besten mit einfachen Befehlen und steigern Sie die Komplexität schrittweise. So lässt sich die Ursache leichter finden, falls etwas schiefgeht:

Bei komplexen Aufgaben wählt das Modell häufig ein Tool wie „Python-Skript ausführen“ und erstellt damit in einem Schritt RhinoScript-Code für die Modellierung. Die Erfolgsquote hängt dann direkt davon ab, wie gut das Modell Code generieren kann.

Minimalbeispiel: Mit Python die Tool-Calling-Fähigkeit eines Modells testen

Bevor Sie Codex integrieren, können Sie mit einem kurzen Skript prüfen, ob das Modell für ein Modellierungstool die passenden Aufrufparameter zurückgibt. So lässt sich schnell ausschließen, dass die Modellschnittstelle nicht verfügbar ist:

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",  # Verwenden Sie den tatsächlichen Modellnamen aus der Konsole
    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"  # Mit demselben Schlüssel lassen sich die GPT- und Claude-Modellreihen aufrufen
)

# Zu testende Modelle; ersetzen Sie die Namen durch die tatsächlich in der Konsole verfügbaren Modelle
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]:
    """Gibt alle vom Modell geplanten Tool-Aufrufe zurück"""
    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)
        # Erwartet: 1 create_box + 4 create_cylinder; die Tischbeine stehen an den vier Ecken

🚀 Schnellstart: Holen Sie sich am besten zuerst über APIYI apiyi.com ein kostenloses Testguthaben für Neukunden. Prüfen Sie mit dem Skript oben, ob der Modellaufruf von Tools funktioniert, und binden Sie das Modell anschließend in Codex und Rhino ein. So können Sie bei Problemen leichter feststellen, ob die Ursache bei der Modellschnittstelle oder in Ihrer lokalen MCP-Umgebung liegt.

Das passende Modell für die Anbindung von Rhino MCP an Codex auswählen

Für die KI-gestützte Modellierung sind vor allem drei Fähigkeiten wichtig: Codegenerierung, Tool-Aufrufe und die Planung komplexer Aufgaben. Nach unseren Erfahrungen empfehlen wir, zuerst die GPT-Codex- und Claude-Sonnet-/Opus-Reihen zu testen. Die folgende Tabelle bietet einen qualitativen Vergleich. Welche Ergebnisse Sie tatsächlich erzielen, sollten Sie mit Ihren eigenen Modellierungsaufgaben prüfen.

Vergleich mit GPT Codex: Die GPT-Codex-Reihe arbeitet besonders nahtlos mit dem Codex-Client zusammen. Die Einrichtung ist einfach, und der Stil der generierten RhinoScript-Python-Skripte ist zuverlässig. Bei Änderungsaufgaben, die mehrere Schritte zum Auslesen der Szene und anschließende Entscheidungen erfordern, können die Ergebnisse jedoch je nach Formulierung der Eingabeaufforderung schwanken. Für parametrische Modellierung, bei der vor allem Skripte generiert werden, ist GPT Codex ein sehr solider Einstieg.

Vergleich mit der Claude-Reihe: Claude Sonnet und Opus genießen einen guten Ruf für die präzise Parametrierung von Tool-Aufrufen und die Planung längerer Abläufe. Wenn Sie lieber mit Claude arbeiten, können Sie auch Claude Code als alternativen Client verwenden und darin denselben Rhino MCP Server laden. Claude über eine OpenAI-kompatible Schnittstelle in Codex aufzurufen, erleichtert dagegen den direkten Vergleich in derselben Umgebung.

💡 Empfehlung: Welches Modell am besten abschneidet, hängt stark von der Art Ihrer Modellierungsaufgaben ab – eine universell beste Wahl gibt es nicht. Testen Sie GPT Codex und die Claude-Reihe am besten mit demselben Schlüssel über APIYI apiyi.com. Führen Sie mit dem Vergleichsskript aus dem vorherigen Abschnitt dieselben Anweisungen aus und entscheiden Sie anhand der Erfolgsquote und der Kosten.

Häufige Fehler bei der Anbindung von Rhino MCP an Codex

Fehler während der Einrichtung lassen sich meist Schritt für Schritt in dieser Reihenfolge eingrenzen: „Modell-API → Codex-Konfiguration → MCP-Server → Rhino-Plug-in“.

Häufig gestellte Fragen (FAQ)

Codex-Anbindung an Rhino MCP: Die wichtigsten Punkte

• Bestandteile der Verbindung: Rhino-Plug-in, MCP-Server, Codex-Client und API für das Große Sprachmodell – alle vier sind erforderlich
• Lokaler Betrieb: Rhino MCP Server und Codex laufen auf dem eigenen Rechner; nur die Modellinferenz benötigt eine Internetverbindung
• Wichtige Konfiguration: In config.toml müssen sowohl der Modellanbieter als auch mcp_servers eingetragen sein
• Schrittweises Vorgehen: Mit einem einzelnen Würfel beginnen und nach und nach Aufgaben mit mehrstufiger Planung und Skripterstellung hinzufügen
• Modellauswahl: Zuerst die GPT-Codex-Reihe sowie Claude Sonnet und Opus testen
• Einfacher Einstieg: Mit einem einzigen APIYI-Key lassen sich mehrere Modelle in derselben Umgebung direkt miteinander vergleichen

Zusammenfassung

Die wichtigsten Schritte für die Anbindung von Codex an Rhino MCP:

1. Schritt 1: MCP-Server einrichten: Rhino-Plug-in installieren und den Server starten. Mit uvx rhinomcp lässt sich der Dienst überprüfen.
2. Schritt 2: Modellschnittstelle konfigurieren: In der Codex-Konfigurationsdatei einen benutzerdefinierten Anbieter einrichten und Rhino MCP registrieren.
3. Schritt 3: Modellierungsanweisungen testen: Mit einfachen Anweisungen beginnen und nach und nach die Tool-Aufrufe und Planungsfähigkeiten des Modells überprüfen.

Sobald die gesamte Verbindung funktioniert, hängen die Modellierungsergebnisse vor allem von der Modellauswahl und der Formulierung der Anweisungen ab. Verwenden Sie am besten das Vergleichsskript aus diesem Artikel und testen Sie damit typische Aufgaben aus Ihrem eigenen Arbeitsalltag.

Über APIYI auf apiyi.com können Sie die Ergebnisse schnell überprüfen. Die Plattform bietet eine OpenAI-kompatible Schnittstelle, ein kostenloses Testkontingent und den einheitlichen Zugang zu mehreren Modellen. So können Sie in Codex flexibel zwischen Modellen der GPT- und Claude-Reihe wechseln.

📚 Referenzen

1. Open-Source-Projekt rhinomcp: Rhino-MCP-Plugin und Server-Implementierung
2. Link: github.com/jingcheng-chen/rhinomcp

3. Beschreibung: Enthält Installationsschritte, eine Liste verfügbarer Tools und Hinweise zur Versionskompatibilität

4. OpenAI-Codex-Projekt-Repository: Installations- und Konfigurationshinweise für Codex CLI

5. Link: github.com/openai/codex

6. Beschreibung: Maßgebliche Informationen zu Modellanbietern und MCP-Server-Konfigurationsoptionen in config.toml

7. Offizielle Dokumentation zum Model Context Protocol: Spezifikation des MCP-Protokolls

8. Link: modelcontextprotocol.io
9. Beschreibung: Grundlagen zum Verständnis der Registrierung, des Aufrufs und der Rückgabe von Tools

Autor: APIYI-Technikteam
Technischer Austausch: Kontaktieren Sie uns gerne über die Startseite der APIYI-Website. Konfigurationshinweise zu Anwendungsfällen mit Codex, Claude Code und anderen Tools finden Sie im Dokumentationsbereich unter docs.apiyi.com.

Weiterführende Artikel

• Schritt-für-Schritt-Anleitung: Mit einem einzigen Schlüssel alle Agenten verbinden und mit dem Open-Source-Projekt magpie ein einheitliches API-Gateway einrichten (am Beispiel von Claude Code, Codex, Pi und Hermes): Eine Schritt-für-Schritt-Anleitung, mit der du in etwa 30 Minuten alle Coding-Agents auf deinem Rechner – etwa Claude Code, Codex, Pi und Hermes – mit einem gemeinsamen API-Schlüssel und einer Gateway-Adresse nutzt, inklusive Screenshots der magpie-Oberfläche, schrittweiser Einrichtung, Vergleich der nativen Konfigurationen und Tabelle zur Fehlerbehebung.