Tutorial para integrar Codex con Rhino MCP: modelado automático con IA en 3 pasos

Nota del autor: despliega Rhino MCP Server desde cero, configura la interfaz de APIYI en Codex y ejecuta tu primera instrucción de modelado en lenguaje natural en solo 3 pasos. Además, compara el rendimiento de modelado de GPT Codex y la familia Claude.

Poder decirle a Rhino lo que quieres y que lo modele automáticamente es una necesidad para muchos diseñadores 3D e ingenieros de modelado paramétrico. La dificultad no está en Rhino, sino en conectar el modelo de lenguaje grande, el protocolo MCP y el cliente. En este artículo presentamos una solución completa para integrar Codex + Rhino MCP + la interfaz de APIYI y te mostramos cómo conectar Codex con Rhino MCP paso a paso.

No se trata de un artículo teórico, sino de una guía práctica que sigue este orden: «desplegar el servidor MCP → configurar la interfaz de Codex → ejecutar la primera instrucción». Al ayudar a nuestros usuarios, hemos visto que suelen quedarse atascados en tres puntos: cómo preparar el entorno desde cero, cómo conectar Codex a una API de terceros y qué modelo ofrece mejores resultados de modelado. Aquí responderemos a cada una de estas preguntas.

Qué aprenderás: al terminar el artículo, podrás usar lenguaje natural en tu equipo local para que Rhino cree geometrías y sabrás cómo comparar de forma rigurosa el rendimiento de modelado de distintos modelos.

Puntos clave para integrar Codex con Rhino MCP

Antes de empezar, conviene entender qué partes componen todo el flujo y quién se encarga de cada una. Muchos problemas de integración se deben a que se mezclan las incidencias de la interfaz del modelo con las del servidor MCP.

Cómo funciona Rhino MCP

MCP (Model Context Protocol) es un protocolo que permite a los clientes de IA invocar herramientas externas de forma unificada. El servidor MCP de Rhino registra capacidades como «crear un cubo», «obtener los objetos del documento actual» o «ejecutar un script de Python» como un conjunto de herramientas. Al iniciarse, Codex lee los nombres, las descripciones y la estructura de los parámetros de esas herramientas y se los envía al Modelo de Lenguaje Grande.

Cuando escribes «dibuja en el origen un cubo de 100×50×20», el modelo no controla Rhino directamente, sino que devuelve una solicitud estructurada para invocar una herramienta. Codex la reenvía al servidor MCP, que notifica al plugin de Rhino mediante una conexión local para que la ejecute. El resultado vuelve al modelo por el mismo camino. Por eso, la calidad del modelado depende, en esencia, de la capacidad del modelo para invocar herramientas y planificar tareas de varios pasos. Este es también el aspecto más importante que debes tener en cuenta al elegir un modelo.

Preparación del entorno para conectar Codex con Rhino MCP

Antes de empezar, comprueba que tu equipo cumple los siguientes requisitos. Rhino MCP es un proyecto de código abierto de la comunidad, por lo que el proceso de instalación puede variar ligeramente según la versión. Consulta el README del proyecto para obtener las instrucciones específicas.

Si tu red no permite acceder de forma estable a las interfaces oficiales del extranjero, te recomendamos resolver primero el acceso a la interfaz del modelo. El servidor MCP y Rhino se ejecutan en tu equipo; lo único que realmente necesita conexión a Internet son las solicitudes de inferencia del modelo.

Primeros pasos con Codex y Rhino MCP: crea modelos con IA en 3 pasos

Paso 1: Implementar Rhino MCP Server

Tomemos como ejemplo el proyecto de código abierto de la comunidad rhinomcp. La implementación consta de dos partes: el complemento de Rhino y MCP Server.

1. Abre Package Manager en Rhino, busca rhinomcp e instala el complemento. Cuando termine la instalación, reinicia Rhino.
2. Escribe en la línea de comandos de Rhino el comando de inicio que proporciona el complemento (en este proyecto, mcpstart) para que empiece a escuchar conexiones locales.
3. Ejecuta uvx rhinomcp en la terminal y comprueba que MCP Server se inicia correctamente y no muestra errores.

Después del paso 2, Codex iniciará MCP Server automáticamente, así que el inicio manual solo sirve para verificar el entorno. Si uvx indica que no encuentra el comando, normalmente significa que uv no está incluido en el PATH del sistema. Vuelve a abrir la terminal o configúralo siguiendo las instrucciones oficiales de uv.

Paso 2: Configurar la interfaz de APIYI en Codex

El archivo de configuración de Codex está en ~/.codex/config.toml, dentro del directorio del usuario. Aquí debemos hacer dos cosas: declarar un proveedor de modelos personalizado y registrar Rhino MCP Server.

# ~/.codex/config.toml
model = "gpt-5-codex"          # Usa el nombre del modelo disponible en la consola de APIYI
model_provider = "apiyi"

[model_providers.apiyi]
name = "APIYI"
base_url = "https://api.apiyi.com/v1"   # Interfaz compatible con OpenAI de APIYI
env_key = "APIYI_API_KEY"               # Lee la clave desde una variable de entorno
wire_api = "responses"                  # Si usas el protocolo Chat Completions, cámbialo a "chat"

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

Después, configura la variable de entorno en la terminal. Si usas Windows, puedes añadirla en las variables de entorno del sistema:

export APIYI_API_KEY="sk-tu-clave"

El valor de wire_api debe coincidir con el protocolo que admite el modelo seleccionado. Si aparece un error relacionado con el protocolo después de la configuración, prueba con la otra opción. Consulta la documentación de APIYI para conocer los detalles del uso con Codex.

Paso 3: Ejecuta tu primera instrucción de modelado en lenguaje natural

Deja Rhino abierto y el complemento en modo de escucha. En la terminal, escribe codex para iniciar el cliente. Puedes empezar preguntando: «¿Qué herramientas de Rhino tienes disponibles?». Si el modelo enumera herramientas relacionadas con el modelado, significa que MCP se ha cargado correctamente.

Te recomendamos empezar con instrucciones sencillas e ir aumentando la complejidad poco a poco. Así será más fácil identificar el origen de los problemas:

Para las tareas complejas, el modelo suele optar por una herramienta como «Ejecutar script de Python» y generar código de RhinoScript para completar el modelado de una sola vez. En estos casos, la capacidad del modelo para generar código influye directamente en la probabilidad de éxito.

Ejemplo mínimo: verificar con Python la capacidad del modelo para usar herramientas

Antes de integrar Codex, puedes ejecutar un script para comprobar si el modelo devuelve los parámetros correctos para las herramientas de modelado. Este paso permite descartar rápidamente problemas de disponibilidad de la API del modelo:

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

🚀 Para empezar rápido: Te recomendamos solicitar primero el crédito gratuito de prueba para nuevos usuarios en APIYI apiyi.com. Usa el script anterior para comprobar que el uso de herramientas funciona correctamente y, después, integra Codex con Rhino. Así, si surge algún problema, podrás identificar si se debe a la API del modelo o al entorno MCP local.

Cómo elegir un modelo para conectar Codex con Rhino MCP

El modelado automático con IA exige tres capacidades clave del modelo: generación de código, uso de herramientas y planificación de tareas complejas. Según nuestra experiencia de soporte, recomendamos probar primero las series GPT Codex y Claude Sonnet/Opus. La siguiente tabla ofrece una comparación cualitativa; los resultados reales dependerán de las pruebas con tus propias tareas de modelado.

Comparativa con GPT Codex: La serie GPT Codex ofrece la integración más nativa con el cliente Codex, es fácil de configurar y mantiene un estilo estable al generar scripts de RhinoScript Python. Sin embargo, su rendimiento puede variar según cómo se redacte la indicación cuando la tarea requiere leer la escena varias veces y tomar decisiones antes de aplicar cambios. Para el modelado paramétrico basado principalmente en la generación de scripts, es un punto de partida fiable.

Comparativa con la serie Claude: Claude Sonnet/Opus goza de buena reputación por la precisión de los parámetros al usar herramientas y por su capacidad para planificar procesos largos. Si prefieres Claude, también puedes usar Claude Code y cargar el mismo servidor Rhino MCP como cliente alternativo. En cambio, invocar Claude desde Codex mediante una interfaz compatible con OpenAI facilita la comparación directa dentro del mismo entorno.

💡 Recomendación: El rendimiento del modelo depende mucho del tipo de modelado, así que no existe una opción universalmente mejor. Te recomendamos probar GPT Codex y la serie Claude con la misma clave a través de APIYI apiyi.com. Usa el script de comparación anterior con las mismas instrucciones y decide según la tasa de éxito y el costo.

Solución de errores frecuentes al conectar Codex con Rhino MCP

La mayoría de los errores durante la conexión se pueden diagnosticar paso a paso, siguiendo este orden: interfaz del modelo → configuración de Codex → servidor MCP → complemento de Rhino.

Preguntas frecuentes

Puntos clave para conectar Codex con Rhino MCP

• Componentes de la conexión: se necesitan el plugin de Rhino, el servidor MCP, el cliente Codex y la API del Modelo de Lenguaje Grande.
• Despliegue local: Rhino MCP Server y Codex se ejecutan en el equipo local; solo la inferencia del modelo requiere conexión a Internet.
• Configuración clave: declara tanto el proveedor del modelo como mcp_servers en config.toml.
• Avanza paso a paso: empieza con un cubo y ve incorporando tareas de planificación en varias etapas y generación de scripts.
• Selección de modelos: prueba primero las familias GPT Codex y Claude Sonnet/Opus.
• Cómo empezar: con una sola clave API de APIYI puedes comparar varios modelos en el mismo entorno.

Resumen

Estos son los pasos clave para conectar Codex con Rhino MCP:

1. Paso 1: despliega el servidor MCP: instala el plugin de Rhino e inicia el servicio en modo de escucha. Verifica que funciona con uvx rhinomcp.
2. Paso 2: configura la API del modelo: define un proveedor personalizado en el archivo de configuración de Codex y registra Rhino MCP.
3. Paso 3: prueba las instrucciones de modelado: empieza con instrucciones sencillas y comprueba poco a poco la capacidad del modelo para usar herramientas y planificar.

Una vez que toda la conexión esté funcionando, la elección del modelo y la forma de redactar las instrucciones son lo que más influye en el resultado del modelado. Te recomendamos usar el script comparativo de este artículo para probar tus tareas de modelado habituales.

Puedes comprobar rápidamente los resultados a través de APIYI apiyi.com. La plataforma ofrece una interfaz compatible con OpenAI, créditos gratuitos de prueba y acceso unificado a varios modelos, para que puedas alternar fácilmente entre las familias GPT y Claude desde Codex.

📚 Referencias

1. Proyecto de código abierto rhinomcp: implementación del complemento Rhino MCP y del servidor
2. Enlace: github.com/jingcheng-chen/rhinomcp

3. Descripción: incluye los pasos de instalación, la lista de herramientas disponibles y las notas sobre compatibilidad entre versiones.

4. Repositorio del proyecto OpenAI Codex: instrucciones de instalación y configuración de Codex CLI

5. Enlace: github.com/openai/codex

6. Descripción: referencia oficial para configurar el proveedor de modelos y el servidor MCP en config.toml.

7. Documentación oficial de Model Context Protocol: especificación del protocolo MCP

8. Enlace: modelcontextprotocol.io
9. Descripción: material básico para entender cómo se registran y ejecutan las herramientas, y cómo se devuelven sus resultados.

Autor: equipo técnico de APIYI
Consultas técnicas: puedes contactar con nosotros desde la página de inicio del sitio web de APIYI. Encontrarás instrucciones de configuración para casos de uso con Codex, Claude Code y otras herramientas en el centro de documentación de docs.apiyi.com.

Artículos relacionados

• Tutorial paso a paso: conecta todos los agentes con una sola clave y usa magpie, de código abierto, para unificar el acceso a la pasarela de API (con Claude Code, Codex, Pi y Hermes como ejemplos): Un tutorial práctico que puedes completar siguiendo los pasos: en unos 30 minutos, todos los agentes de programación de tu máquina (como Claude Code, Codex, Pi y Hermes) compartirán una clave API y una dirección de pasarela; incluye capturas de la interfaz de magpie, el proceso de configuración paso a paso, una comparación de las configuraciones nativas y una tabla para solucionar errores.