Tutorial de integração do Codex ao Rhino MCP: modelagem automatizada por IA em 3 passos

Nota do autor: veja como implantar o Rhino MCP Server do zero, configurar a API da APIYI no Codex e executar seu primeiro comando de modelagem em linguagem natural em três etapas. Também comparamos o desempenho do GPT Codex com o da série Claude em tarefas de modelagem.

Criar modelos automaticamente no Rhino com uma única frase é o que muitos designers 3D e engenheiros de modelagem paramétrica procuram. O desafio não está no Rhino, mas em conectar o Modelo de Linguagem Grande, o protocolo MCP e o cliente. Neste artigo, apresentamos o passo a passo completo da integração entre Codex + Rhino MCP + API da APIYI e mostramos como usar o Codex com o Rhino MCP na prática.

Este não é um artigo apenas conceitual. O conteúdo é um guia prático, organizado nesta ordem: “implantar o MCP Server → configurar a API no Codex → executar o primeiro comando”. Ao longo do nosso trabalho de suporte aos usuários, percebemos que as dúvidas costumam se concentrar em três pontos: como configurar o ambiente do zero, como conectar o Codex a uma API de terceiros e qual modelo oferece melhores resultados de modelagem. Vamos responder a cada uma delas.

O que você vai aprender: ao terminar a leitura, você poderá usar linguagem natural no seu computador para criar geometrias no Rhino e saberá como comparar, de forma criteriosa, o desempenho de diferentes modelos em tarefas de modelagem.

Principais pontos para conectar o Codex ao Rhino MCP

Antes de começar, entenda quais são as partes envolvidas no fluxo e quem é responsável por cada uma. Muitas falhas de conexão acontecem porque o problema na interface do modelo e o problema no servidor MCP são investigados como se fossem a mesma coisa.

Como funciona o Rhino MCP

O MCP (Model Context Protocol) é um protocolo que permite que clientes de IA chamem ferramentas externas de maneira padronizada. O servidor MCP do Rhino registra recursos como “criar um cubo”, “obter os objetos do documento atual” e “executar um script Python” como um conjunto de ferramentas. Ao iniciar, o Codex lê os nomes, as descrições e a estrutura dos parâmetros dessas ferramentas e envia essas informações ao Modelo de Linguagem Grande.

Quando você digita “desenhe um cubo de 100×50×20 na origem”, o modelo não opera o Rhino diretamente. Em vez disso, ele retorna uma solicitação estruturada de chamada de ferramenta. O Codex encaminha essa solicitação ao servidor MCP, que então avisa o plugin do Rhino, por meio de uma conexão local, para executar a operação. O resultado retorna ao modelo pelo mesmo caminho. Portanto, a qualidade da modelagem depende, essencialmente, da capacidade do modelo de chamar ferramentas e planejar tarefas com várias etapas. Esse é o critério mais importante na hora de escolher um modelo.

Preparação do ambiente para integrar o Codex ao Rhino MCP

Antes de começar, confirme se sua máquina atende aos requisitos abaixo. O Rhino MCP é um projeto de código aberto mantido pela comunidade, e o processo de instalação pode variar um pouco entre versões. Consulte o README do projeto para ver as instruções específicas.

Se sua rede não consegue acessar com estabilidade as interfaces oficiais no exterior, recomendamos resolver primeiro a questão da interface do modelo. O servidor MCP e o Rhino são executados na sua máquina; o único componente que realmente precisa de acesso à internet são as solicitações de inferência do modelo.

Integração do Codex ao Rhino MCP: primeiros passos para automatizar a modelagem com IA em 3 etapas

Etapa 1: Implantar o Rhino MCP Server

Usando o projeto de código aberto rhinomcp da comunidade como exemplo, a implantação tem duas partes: o plug-in do Rhino e o MCP Server.

1. No Rhino, abra o Package Manager, pesquise rhinomcp e instale o plug-in. Depois, reinicie o Rhino.
2. Na linha de comando do Rhino, digite o comando de inicialização fornecido pelo plug-in (neste projeto, mcpstart) para que ele comece a aceitar conexões locais.
3. No terminal, execute uvx rhinomcp e confirme que o MCP Server inicia normalmente, sem erros.

A partir da etapa 2, o Codex inicia o MCP Server automaticamente. Portanto, a inicialização manual serve apenas para verificar o ambiente. Se o uvx indicar que o comando não foi encontrado, geralmente é porque o uv não foi adicionado ao PATH do sistema. Reabra o terminal ou configure o PATH conforme as instruções oficiais do uv.

Etapa 2: Configurar a interface da APIYI no Codex

O arquivo de configuração do Codex fica no diretório do usuário, em ~/.codex/config.toml. Nele, precisamos fazer duas coisas: declarar um provedor de modelo personalizado e registrar o Rhino MCP Server.

# ~/.codex/config.toml
model = "gpt-5-codex"          # Use o nome do modelo disponível no console da APIYI
model_provider = "apiyi"

[model_providers.apiyi]
name = "APIYI"
base_url = "https://api.apiyi.com/v1"   # Interface compatível com OpenAI da APIYI
env_key = "APIYI_API_KEY"               # Lê a chave da variável de ambiente
wire_api = "responses"                  # Para usar o protocolo Chat Completions, altere para "chat"

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

Em seguida, configure a variável de ambiente no terminal. No Windows, você pode adicioná-la nas variáveis de ambiente do sistema:

export APIYI_API_KEY="sk-sua-chave"

O valor de wire_api precisa corresponder ao protocolo compatível com o modelo escolhido. Se ocorrer um erro relacionado ao protocolo depois da configuração, experimente a outra opção. Consulte a documentação da APIYI para ver as instruções específicas sobre o uso do Codex.

Etapa 3: execute sua primeira instrução de modelagem em linguagem natural

Mantenha o Rhino aberto e o plugin em modo de escuta. No terminal, digite codex para iniciar o cliente. Você pode começar perguntando: “Quais ferramentas do Rhino estão disponíveis agora?”. Se o modelo listar ferramentas relacionadas à modelagem, isso significa que o MCP foi carregado corretamente.

Recomendamos começar com instruções simples e aumentar a complexidade aos poucos. Assim, fica mais fácil identificar a causa de qualquer problema:

Em tarefas complexas, o modelo geralmente escolhe uma ferramenta como “Executar script Python” e gera um código RhinoScript para concluir a modelagem de uma só vez. Nesse caso, a capacidade do modelo de gerar código influencia diretamente a taxa de sucesso.

Exemplo simples: use Python para verificar a capacidade do modelo de chamar ferramentas

Antes de integrar o Codex, você também pode executar um script para confirmar se o modelo retorna os parâmetros corretos para chamar ferramentas de modelagem. Essa etapa ajuda a identificar rapidamente se há algum problema de disponibilidade na interface do 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",  # Use o nome do modelo exibido no console
    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"  # A mesma chave pode ser usada para acessar as séries GPT e Claude
)

# Modelos a testar: substitua pelos nomes dos modelos disponíveis no console
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]:
    """Retorna todas as chamadas de ferramenta planejadas pelo modelo"""
    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)
        # Esperado: 1 create_box + 4 create_cylinder, com as pernas nos quatro cantos

🚀 Para começar rapidamente: recomendamos primeiro resgatar os créditos gratuitos de teste para novos usuários na APIYI, em apiyi.com, e usar o script acima para verificar se as chamadas de ferramenta do modelo estão funcionando. Depois, integre o Codex ao Rhino. Assim, se surgir algum problema, fica mais fácil identificar se ele está na interface do modelo ou no ambiente MCP local.

Como escolher um modelo para conectar o Codex ao Rhino MCP

Para a modelagem automática com IA, os modelos precisam se destacar em três áreas: geração de código, chamada de ferramentas e planejamento de tarefas complexas. Com base na nossa experiência de suporte, recomendamos começar testando as séries GPT Codex e Claude Sonnet/Opus. A tabela abaixo traz uma comparação qualitativa; os resultados reais devem ser avaliados com os seus próprios trabalhos de modelagem.

Análise comparativa do GPT Codex: a série GPT Codex funciona de forma mais integrada com o cliente Codex, é simples de configurar e mantém um estilo estável ao gerar scripts em RhinoScript Python. Porém, em tarefas de edição que exigem várias leituras da cena seguidas de decisões, o desempenho pode variar conforme a forma como o comando é escrito. Para modelagem paramétrica baseada principalmente na geração de scripts, é um ponto de partida bastante confiável.

Análise comparativa da série Claude: Claude Sonnet/Opus tem boa reputação pela precisão dos parâmetros nas chamadas de ferramentas e pelo planejamento de fluxos longos. Se você prefere Claude, também pode usar o Claude Code com o mesmo servidor Rhino MCP como cliente alternativo. Já chamar Claude pelo Codex usando uma interface compatível com a OpenAI facilita a comparação entre modelos no mesmo ambiente.

💡 Recomendação: o desempenho do modelo depende muito do tipo de modelagem, então não existe uma opção absolutamente melhor. Recomendamos testar GPT Codex e Claude com a mesma chave usando APIYI, em apiyi.com. Execute o mesmo comando com o script de comparação apresentado anteriormente e escolha com base na taxa de sucesso e no custo.

Solução de problemas comuns ao conectar o Codex ao Rhino MCP

A maioria dos erros durante a conexão pode ser investigada por etapas, nesta ordem: interface do modelo → configuração do Codex → servidor MCP → plug-in do Rhino.

Perguntas frequentes

Principais pontos para conectar o Codex ao Rhino MCP

• Componentes da conexão: o plug-in do Rhino, o servidor MCP, o cliente Codex e a API do Modelo de Linguagem Grande são indispensáveis
• Execução local: o servidor Rhino MCP e o Codex rodam na máquina local; somente a inferência do modelo precisa de conexão com a internet
• Configuração principal: declare o provedor do modelo e mcp_servers no config.toml
• Comece aos poucos: crie um cubo simples primeiro e, depois, avance para tarefas de planejamento em várias etapas e geração de scripts
• Escolha do modelo: comece testando os modelos da série GPT Codex e as séries Claude Sonnet/Opus
• Como começar: com uma única chave API da APIYI, você pode comparar vários modelos no mesmo ambiente

Resumo

Veja os principais passos para conectar o Codex ao Rhino MCP:

1. Etapa 1: implante o servidor MCP: instale o plug-in do Rhino e inicie o serviço. Use uvx rhinomcp para verificar se está funcionando
2. Etapa 2: configure a interface do modelo: defina um provedor personalizado no arquivo de configuração do Codex e registre o Rhino MCP
3. Etapa 3: teste os comandos de modelagem: comece com instruções simples e valide aos poucos os recursos de invocação de ferramentas e planejamento do modelo

Depois que toda a conexão estiver funcionando, a escolha do modelo e a forma de escrever as instruções são os fatores que mais influenciam o resultado da modelagem. Recomendamos usar o script de comparação deste artigo para testar tarefas de modelagem que você costuma realizar.

Para validar os resultados rapidamente, recomendamos a APIYI em apiyi.com. A plataforma oferece uma API compatível com OpenAI, créditos gratuitos para testes e acesso unificado a vários modelos, facilitando a alternância entre as séries GPT e Claude no Codex.

📚 Referências

1. Projeto de código aberto rhinomcp: implementação do plugin e do servidor Rhino MCP
2. Link: github.com/jingcheng-chen/rhinomcp

3. Descrição: inclui instruções de instalação, lista de ferramentas disponíveis e informações sobre compatibilidade entre versões

4. Repositório do projeto OpenAI Codex: instruções de instalação e configuração do Codex CLI

5. Link: github.com/openai/codex

6. Descrição: documentação oficial sobre as configurações de provedores de modelos e servidores MCP no config.toml

7. Documentação oficial do Model Context Protocol: especificação do protocolo MCP

8. Link: modelcontextprotocol.io
9. Descrição: material básico para entender o registro, a chamada e o retorno de ferramentas

Autor: equipe técnica da APIYI
Contato técnico: fale conosco pela página inicial do site da APIYI. As instruções de configuração para cenários de uso com Codex, Claude Code e outras ferramentas estão disponíveis no centro de documentação em docs.apiyi.com

Artigos relacionados

• Tutorial passo a passo: conecte todos os agentes com uma única chave usando o gateway de API de acesso unificado e de código aberto magpie (com Claude Code, Codex, Pi e Hermes como exemplos): Um tutorial prático para seguir passo a passo: em cerca de 30 minutos, configure todos os agentes de programação da sua máquina — como Claude Code, Codex, Pi e Hermes — para usar a mesma chave API e o mesmo endereço de gateway, com capturas de tela da interface do magpie, etapas de integração, comparação das configurações nativas e uma tabela de solução de problemas.