Tutorial Mengintegrasikan Codex dengan Rhino MCP: Mewujudkan Pemodelan Otomatis dengan AI dalam 3 Langkah

Catatan penulis: Deploy Rhino MCP Server dari nol, konfigurasi endpoint APIYI di Codex, jalankan instruksi pemodelan bahasa alami pertama dalam 3 langkah, lalu bandingkan performa pemodelan GPT Codex dan seri Claude.

Membuat Rhino melakukan pemodelan otomatis hanya dengan satu kalimat adalah kebutuhan banyak desainer 3D dan engineer pemodelan parametrik. Tantangannya bukan pada Rhino, melainkan bagaimana menghubungkan Model Bahasa Besar, protokol MCP, dan klien. Artikel ini membahas panduan lengkap untuk menghubungkan Codex + Rhino MCP + endpoint APIYI, agar kamu bisa mempelajari cara praktis menghubungkan Codex ke Rhino MCP.

Ini bukan artikel yang hanya membahas konsep, melainkan panduan praktis yang disusun berdasarkan urutan “deploy MCP Server → konfigurasi endpoint Codex → jalankan instruksi pertama”. Dari pengalaman kami membantu pengguna, biasanya ada tiga hal yang menjadi kendala: cara menyiapkan lingkungan dari nol, cara menghubungkan Codex ke API pihak ketiga, dan model mana yang memberikan hasil pemodelan terbaik. Artikel ini akan menjawabnya satu per satu.

Manfaat utama: Setelah membaca artikel ini, kamu akan bisa mengendalikan Rhino dengan bahasa alami di komputer lokal untuk membuat objek geometri, sekaligus mengetahui cara membandingkan performa pemodelan berbagai model secara objektif.

Poin Utama Integrasi Codex dengan Rhino MCP

Sebelum mulai, pahami dulu bagian-bagian yang membentuk seluruh alur kerja dan siapa yang bertanggung jawab atas masing-masing bagian. Banyak kegagalan integrasi terjadi karena masalah antarmuka model dan masalah MCP Server diperiksa seolah-olah satu hal yang sama.

Penjelasan Cara Kerja Rhino MCP

MCP (Model Context Protocol) adalah protokol yang memungkinkan klien AI memanggil alat eksternal dengan cara yang seragam. Rhino MCP Server mendaftarkan kemampuan seperti “membuat kubus”, “mengambil objek dalam dokumen saat ini”, dan “menjalankan skrip Python” sebagai sekumpulan alat. Saat Codex dijalankan, Codex membaca nama, deskripsi, dan struktur parameter alat-alat tersebut, lalu mengirimkannya ke Model Bahasa Besar.

Saat kamu memasukkan perintah “gambar kubus berukuran 100×50×20 di titik asal”, model tidak langsung mengoperasikan Rhino. Model akan mengembalikan permintaan pemanggilan alat yang terstruktur. Codex meneruskan permintaan ini ke MCP Server, lalu Server memberi tahu plugin Rhino melalui koneksi lokal untuk menjalankan perintah. Hasilnya kemudian dikirim kembali ke model melalui jalur yang sama. Jadi, kualitas pemodelan pada dasarnya bergantung pada kemampuan model memanggil alat dan merencanakan tugas bertahap. Inilah indikator terpenting yang perlu diperhatikan saat memilih model.

Persiapan Lingkungan untuk Menghubungkan Codex ke Rhino MCP

Sebelum mulai, pastikan perangkat Anda memenuhi persyaratan berikut. Rhino MCP adalah proyek sumber terbuka dari komunitas. Cara instalasi mungkin sedikit berbeda tergantung versinya, jadi silakan merujuk ke README proyek untuk petunjuk yang paling sesuai.

Jika jaringan Anda tidak dapat mengakses antarmuka resmi luar negeri secara stabil, sebaiknya prioritaskan koneksi ke antarmuka model terlebih dahulu. MCP Server dan Rhino berjalan di perangkat lokal, jadi satu-satunya hal yang benar-benar memerlukan koneksi internet adalah permintaan inferensi model.

Panduan Cepat Menghubungkan Codex ke Rhino MCP: Otomatisasi Pemodelan AI dalam 3 Langkah

Langkah 1: Deploy Rhino MCP Server

Sebagai contoh, deployment proyek sumber terbuka komunitas rhinomcp terdiri dari dua bagian: plugin di Rhino dan MCP Server.

1. Buka Package Manager di Rhino, cari rhinomcp, lalu instal pluginnya. Setelah instalasi selesai, mulai ulang Rhino.
2. Di command line Rhino, masukkan perintah untuk menjalankan plugin (dalam proyek ini, perintahnya adalah mcpstart) agar plugin mulai mendengarkan koneksi lokal.
3. Jalankan uvx rhinomcp di terminal untuk memastikan MCP Server dapat dimulai dengan normal tanpa error.

Pada langkah kedua, Codex akan menjalankan MCP Server secara otomatis. Jadi, menjalankannya secara manual di sini hanya untuk memverifikasi lingkungan. Jika uvx menampilkan pesan bahwa perintah tidak ditemukan, biasanya uv belum ditambahkan ke PATH sistem. Coba buka kembali terminal atau ikuti petunjuk resmi uv untuk mengonfigurasinya.

Langkah 2: Konfigurasikan APIYI di Codex

File konfigurasi Codex berada di ~/.codex/config.toml dalam direktori pengguna. Kita perlu melakukan dua hal di sini: menentukan penyedia model kustom dan mendaftarkan Rhino MCP Server.

# ~/.codex/config.toml
model = "gpt-5-codex"          # Gunakan nama model yang tersedia di konsol APIYI
model_provider = "apiyi"

[model_providers.apiyi]
name = "APIYI"
base_url = "https://api.apiyi.com/v1"   # Antarmuka APIYI yang kompatibel dengan OpenAI
env_key = "APIYI_API_KEY"               # Baca kunci dari variabel lingkungan
wire_api = "responses"                  # Ubah menjadi "chat" jika menggunakan protokol Chat Completions

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

Selanjutnya, atur variabel lingkungan di terminal. Pengguna Windows dapat menambahkannya melalui pengaturan variabel lingkungan sistem:

export APIYI_API_KEY="sk-kunci-anda"

Nilai wire_api harus sesuai dengan protokol yang didukung model pilihan. Jika muncul error terkait protokol setelah konfigurasi, coba ganti ke nilai lainnya. Untuk detailnya, lihat petunjuk penggunaan Codex di dokumentasi APIYI.

Langkah 3: Jalankan instruksi pemodelan pertama dalam bahasa alami

Biarkan Rhino tetap terbuka dan plugin dalam keadaan mendengarkan, lalu ketik codex di terminal untuk memulai klien. Anda bisa mulai dengan bertanya, “Alat Rhino apa saja yang tersedia saat ini?” Jika model dapat mencantumkan alat-alat yang berkaitan dengan pemodelan, berarti MCP berhasil dimuat.

Sebaiknya mulai dengan instruksi sederhana, lalu tingkatkan kompleksitas tugas secara bertahap. Dengan begitu, masalah akan lebih mudah dilacak:

Untuk tugas yang kompleks, model biasanya memilih alat seperti “Jalankan skrip Python” untuk membuat kode RhinoScript sekaligus menyelesaikan pemodelan. Dalam situasi ini, kemampuan model dalam menghasilkan kode akan sangat menentukan tingkat keberhasilannya.

Contoh sederhana: Verifikasi kemampuan model menggunakan tool dengan Python

Sebelum mengintegrasikannya ke Codex, Anda bisa menjalankan skrip sederhana untuk memastikan model dapat mengembalikan parameter pemanggilan yang tepat untuk tool pemodelan. Langkah ini membantu mengidentifikasi masalah “antarmuka model tidak tersedia” dengan cepat:

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": "Membuat kubus di Rhino",
    "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",  # Sesuaikan dengan nama model yang tersedia di konsol
    messages=[{"role": "user", "content": "Gambar kubus berukuran 100x50x20 di titik asal"}],
    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"  # Satu Key yang sama dapat digunakan untuk memanggil seri GPT dan Claude
)

# Model yang akan diuji. Ganti dengan nama model yang tersedia di konsol
MODELS = ["gpt-5-codex", "claude-sonnet-4-5"]

TOOLS = [
    {"type": "function", "function": {
        "name": "create_box",
        "description": "Membuat kubus; origin adalah koordinat titik sudut, size adalah panjang, lebar, dan tinggi",
        "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": "Membuat silinder; base adalah pusat lingkaran alas, radius adalah jari-jari, dan height adalah tinggi",
        "parameters": {"type": "object", "properties": {
            "base": {"type": "array", "items": {"type": "number"}},
            "radius": {"type": "number"},
            "height": {"type": "number"}},
            "required": ["base", "radius", "height"]}}},
]

PROMPT = "Gambar meja berukuran 1200x600x30, dengan bagian bawah permukaan meja berada di z=720. Tambahkan kaki meja berdiameter 40 dan tinggi 720 di setiap sudut"


def run_test(model: str) -> List[Dict]:
    """Mengembalikan semua pemanggilan tool yang direncanakan model"""
    try:
        resp = client.chat.completions.create(
            model=model,
            messages=[
                {"role": "system", "content": "Anda adalah asisten pemodelan Rhino. Rencanakan semua pemanggilan tool sekaligus."},
                {"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}: total {len(result)} pemanggilan =====")
        for item in result:
            print(item)
        # Hasil yang diharapkan: 1 create_box + 4 create_cylinder, dengan kaki meja berada di keempat sudut

🚀 Mulai cepat: Sebaiknya klaim kuota uji coba gratis untuk pengguna baru melalui APIYI (apiyi.com), lalu jalankan skrip di atas untuk memastikan pemanggilan tool oleh model berjalan normal sebelum mengintegrasikannya ke Codex dan Rhino. Dengan begitu, jika terjadi masalah, Anda bisa mengetahui apakah penyebabnya ada pada antarmuka model atau lingkungan MCP lokal.

Cara Memilih Model untuk Menghubungkan Codex ke Rhino MCP

Pemodelan otomatis dengan AI membutuhkan model yang andal dalam tiga hal: pembuatan kode, pemanggilan alat, dan perencanaan tugas yang kompleks. Berdasarkan pengalaman kami mendukung pengguna, sebaiknya mulai dengan menguji seri GPT Codex dan Claude Sonnet/Opus. Tabel berikut menyajikan perbandingan kualitatif. Untuk hasil yang sebenarnya, uji langsung dengan tugas pemodelan Anda.

Analisis perbandingan GPT Codex: Seri GPT Codex paling terintegrasi secara alami dengan klien Codex. Konfigurasinya sederhana dan gaya skrip RhinoScript Python yang dihasilkan konsisten. Namun, kinerjanya dapat bervariasi tergantung pada cara penulisan petunjuk, terutama untuk tugas pengeditan yang memerlukan pembacaan adegan beberapa kali sebelum mengambil keputusan. Untuk pemodelan parametrik yang terutama mengandalkan pembuatan skrip, model ini merupakan pilihan awal yang andal.

Analisis perbandingan seri Claude: Claude Sonnet/Opus dikenal memiliki akurasi parameter yang baik saat memanggil alat serta kemampuan perencanaan yang kuat untuk alur kerja panjang. Jika Anda lebih terbiasa menggunakan Claude, Anda juga bisa memuat Rhino MCP Server yang sama melalui Claude Code sebagai klien alternatif. Sementara itu, menggunakan Claude melalui antarmuka yang kompatibel dengan OpenAI di Codex memudahkan perbandingan langsung dalam lingkungan yang sama.

💡 Saran memilih: Performa model sangat bergantung pada jenis pemodelan yang Anda lakukan, jadi tidak ada pilihan terbaik yang mutlak. Sebaiknya uji GPT Codex dan seri Claude dengan kunci yang sama melalui APIYI apiyi.com. Jalankan instruksi yang sama menggunakan skrip perbandingan di bagian sebelumnya, lalu tentukan pilihan berdasarkan tingkat keberhasilan dan biaya.

Panduan Mengatasi Error Umum saat Menghubungkan Codex ke Rhino MCP

Sebagian besar error saat proses integrasi bisa ditelusuri secara bertahap, mulai dari antarmuka model → konfigurasi Codex → MCP Server → plugin Rhino.

FAQ Umum

Poin Utama Integrasi Codex dengan Rhino MCP

• Komponen alur kerja: Plugin Rhino, MCP Server, klien Codex, dan API Model Bahasa Besar—semuanya diperlukan
• Deployment lokal: Rhino MCP Server dan Codex berjalan di komputer lokal; hanya inferensi model yang memerlukan koneksi internet
• Konfigurasi utama: Deklarasikan penyedia model dan mcp_servers secara bersamaan di config.toml
• Mulai bertahap: Awali dengan satu kubus, lalu tingkatkan ke tugas perencanaan beberapa langkah dan pembuatan skrip
• Pemilihan model: Prioritaskan pengujian seri GPT Codex dan Claude Sonnet/Opus
• Cara mencoba: Satu kunci dari APIYI cukup untuk membandingkan beberapa model di lingkungan yang sama

Kesimpulan

Poin utama integrasi Codex dengan Rhino MCP:

1. Langkah 1—Deploy MCP Server: Instal plugin Rhino dan mulai layanan pemantauan, lalu verifikasi layanan dengan uvx rhinomcp
2. Langkah 2—Konfigurasi antarmuka model: Atur penyedia kustom di file konfigurasi Codex dan daftarkan Rhino MCP
3. Langkah 3—Jalankan instruksi pemodelan: Mulai dari instruksi sederhana, lalu verifikasi kemampuan model dalam menggunakan alat dan menyusun rencana secara bertahap

Setelah seluruh alur kerja berjalan, pemilihan model dan cara menulis instruksi akan paling menentukan hasil pemodelan. Sebaiknya gunakan skrip perbandingan dalam artikel ini untuk menguji tugas pemodelan yang biasa Anda kerjakan.

Untuk memvalidasi hasil dengan cepat, coba APIYI di apiyi.com. Platform ini menyediakan antarmuka yang kompatibel dengan OpenAI, kuota uji coba gratis, dan akses terpadu ke berbagai model, sehingga Anda bisa berganti-ganti model seri GPT dan Claude di Codex dengan mudah.

📚 Referensi

1. Proyek open source rhinомcp: Implementasi plugin dan Server Rhino MCP
2. Tautan: github.com/jingcheng-chen/rhinomcp

3. Keterangan: Mencakup langkah instalasi, daftar alat yang tersedia, dan informasi kompatibilitas versi

4. Repositori proyek OpenAI Codex: Petunjuk instalasi dan konfigurasi Codex CLI

5. Tautan: github.com/openai/codex

6. Keterangan: Referensi resmi untuk konfigurasi penyedia model dan MCP Server di config.toml

7. Dokumentasi resmi Model Context Protocol: Spesifikasi protokol MCP

8. Tautan: modelcontextprotocol.io
9. Keterangan: Referensi dasar untuk memahami mekanisme pendaftaran, pemanggilan, dan pengembalian hasil alat

Penulis: Tim Teknis APIYI
Diskusi teknis: Silakan hubungi kami melalui halaman utama situs APIYI. Panduan konfigurasi untuk penggunaan Codex, Claude Code, dan skenario lainnya tersedia di pusat dokumentasi docs.apiyi.com.

Artikel terkait

• Tutorial langkah demi langkah: Hubungkan semua agen dengan satu kunci menggunakan API gateway terpadu magpie open-source (contoh: Claude Code, Codex, Pi, Hermes): Tutorial lengkap yang bisa langsung diikuti: dalam sekitar 30 menit, semua Agen pemrograman di mesinmu—seperti Claude Code, Codex, Pi, dan Hermes—dapat menggunakan satu kunci API dan satu alamat gateway, lengkap dengan tangkapan layar antarmuka magpie, panduan integrasi langkah demi langkah, perbandingan konfigurasi bawaan, dan tabel pemecahan masalah.