Codex 接入 Rhino MCP 教程：3 步實現 AI 自動建模

作者注：從零部署 Rhino MCP Server，在 Codex 中配置 API易 接口，3 步跑通第一條自然語言建模指令，並對比 GPT Codex 與 Claude 系列的建模表現。

用一句話讓 Rhino 自動建模，是很多 3D 設計師和參數化建模工程師的需求。這件事的難點不在 Rhino，而在於大模型、MCP 協議和客戶端三者怎麼連起來。本文介紹 Codex + Rhino MCP + API易 接口 的完整接入方案，幫助你掌握 Codex 接入 Rhino MCP 的實操方法。

這不是一篇概念科普，而是按照“部署 MCP Server → 配置 Codex 接口 → 跑通第一條指令”的順序寫成的落地指南。我們在支持用戶的過程中發現，大家通常卡在三個地方：環境從零怎麼搭、Codex 怎麼接入第三方 API、哪個模型建模效果更好。本文會逐一給出答案。

核心價值：讀完本文，你將能在本機用自然語言驅動 Rhino 創建幾何體，並知道如何科學地對比不同模型的建模表現。

Codex 接入 Rhino MCP 核心要點

在動手之前，先弄清楚整條鏈路由哪幾部分組成，以及各部分由誰負責。很多接入失敗，其實是把“模型接口問題”和“MCP Server 問題”混在一起排查導致的。

Rhino MCP 工作原理詳解

MCP（Model Context Protocol）是一種讓 AI 客戶端以統一方式調用外部工具的協議。Rhino MCP Server 會把“創建立方體”“獲取當前文檔對象”“執行 Python 腳本”等能力註冊成一組工具，Codex 啓動時讀取這些工具的名稱、說明和參數結構，再把它們一起發給大模型。

當你輸入“在原點畫一個 100×50×20 的立方體”，模型不會直接操作 Rhino，而是返回一個結構化的工具調用請求。Codex 把這個請求轉發給 MCP Server，Server 再通過本地連接通知 Rhino 插件執行，結果原路返回給模型。所以，建模質量本質上取決於模型的工具調用能力和多步任務規劃能力，這也是選型時最需要關注的指標。

Codex 接入 Rhino MCP 環境準備

正式開始之前，請確認本機滿足以下條件。Rhino MCP 是社區開源項目，不同版本的安裝方式可能有細微差別，具體請以項目 README 爲準。

如果你所在的網絡環境無法穩定訪問海外官方接口，建議優先解決模型接口這一環。MCP Server 和 Rhino 都運行在本機，真正需要聯網的只有模型推理請求。

Codex 接入 Rhino MCP 快速上手：3 步實現 AI 自動建模

第 1 步：部署 Rhino MCP Server

以社區開源的 rhinomcp 項目爲例，部署分爲“Rhino 端插件”和“MCP Server 端”兩部分：

1. 在 Rhino 中打開 Package Manager，搜索 rhinomcp 並安裝插件，安裝後重啓 Rhino。
2. 在 Rhino 命令行輸入插件提供的啓動命令（項目中爲 mcpstart），讓插件開始監聽本地連接。
3. 在終端執行 uvx rhinomcp，確認 MCP Server 能夠正常啓動、沒有報錯。

第 2 步之後，Codex 會自動拉起 MCP Server，所以這裏的手動啓動只用於驗證環境。如果 uvx 提示找不到命令，通常是 uv 沒有加入系統 PATH，重新打開終端或按 uv 官方說明配置即可。

第 2 步：在 Codex 中配置 API易 接口

Codex 的配置文件位於用戶目錄下的 ~/.codex/config.toml。我們需要在這裏同時完成兩件事：聲明自定義模型提供方，以及註冊 Rhino MCP Server。

# ~/.codex/config.toml
model = "gpt-5-codex"          # 以 API易 控制檯中實際可用的模型名爲準
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"               # 從環境變量讀取 Key
wire_api = "responses"                  # 若使用 Chat Completions 協議則改爲 "chat"

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

然後在終端設置環境變量，Windows 用戶可在系統環境變量中添加：

export APIYI_API_KEY="sk-你的密鑰"

wire_api 的取值需要與所選模型支持的協議一致。如果配置後出現協議相關報錯，可以切換爲另一種取值再試，具體以 API易 文檔中 Codex 使用場景的說明爲準。

第 3 步：跑通第一條自然語言建模指令

保持 Rhino 打開且插件處於監聽狀態，在終端輸入 codex 啓動客戶端。可以先問一句“你現在有哪些 Rhino 工具可用”，如果模型能列出建模相關的工具，說明 MCP 已經加載成功。

建議從簡單指令開始，逐步增加任務複雜度，這樣出問題時更容易定位：

複雜任務中，模型通常會選擇調用“執行 Python 腳本”這類工具，一次性生成 RhinoScript 代碼完成建模。此時模型的代碼生成能力會直接決定成功率。

極簡示例：用 Python 驗證模型的工具調用能力

在接入 Codex 之前，也可以先用一段腳本，確認模型能否針對建模工具返回正確的調用參數。這一步能快速排除“模型接口不可用”的問題：

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 中創建立方體",
    "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",  # 以控制檯實際模型名爲準
    messages=[{"role": "user", "content": "在原點畫一個 100x50x20 的立方體"}],
    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"  # 同一個 Key 可調用 GPT 與 Claude 系列
)

# 待測試的模型，請替換爲控制檯中實際可用的模型名
MODELS = ["gpt-5-codex", "claude-sonnet-4-5"]

TOOLS = [
    {"type": "function", "function": {
        "name": "create_box",
        "description": "創建立方體，origin 爲角點座標，size 爲長寬高",
        "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": "創建圓柱，base 爲底面圓心，radius 爲半徑，height 爲高度",
        "parameters": {"type": "object", "properties": {
            "base": {"type": "array", "items": {"type": "number"}},
            "radius": {"type": "number"},
            "height": {"type": "number"}},
            "required": ["base", "radius", "height"]}}},
]

PROMPT = "畫一張 1200x600x30 的桌面，桌面底部在 z=720，四角各加一條直徑 40、高 720 的桌腿"


def run_test(model: str) -> List[Dict]:
    """返回模型規劃出的全部工具調用"""
    try:
        resp = client.chat.completions.create(
            model=model,
            messages=[
                {"role": "system", "content": "你是 Rhino 建模助手，請一次性規劃所有工具調用。"},
                {"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)} 個調用 =====")
        for item in result:
            print(item)
        # 期望：1 個 create_box + 4 個 create_cylinder，且桌腿位於四個角

🚀 快速開始：推薦先通過 API易 apiyi.com 領取新用戶免費測試額度，用上面的腳本驗證模型的工具調用是否正常，再接入 Codex 與 Rhino。這樣遇到問題時，能清楚區分是模型接口的問題還是本地 MCP 環境的問題。

Codex 接入 Rhino MCP 如何選擇模型

AI 自動建模對模型的要求集中在三點：代碼生成、工具調用和複雜任務規劃。根據我們的支持經驗，建議優先測試 GPT Codex 系列和 Claude Sonnet/Opus 系列。下表給出的是定性對比，實際效果請以你自己的建模任務實測爲準。

GPT Codex 對標分析：GPT Codex 系列與 Codex 客戶端的配合最爲原生，配置簡單，生成 RhinoScript Python 腳本時風格穩定。但面對需要多輪讀取場景、再做判斷的修改類任務，表現會因提示詞寫法而有波動。對於以腳本生成爲主的參數化建模，它是很穩妥的起點。

Claude 系列對標分析：Claude Sonnet/Opus 在工具調用的參數準確性和長鏈路規劃上口碑較好。如果你更習慣 Claude，也可以使用 Claude Code 加載同一個 Rhino MCP Server 作爲替代客戶端。相比之下，在 Codex 內通過 OpenAI 兼容接口調用 Claude，更方便在同一套環境中橫向對比。

💡 選擇建議：模型表現與你的建模類型高度相關，沒有絕對的最優解。建議通過 API易 apiyi.com 用同一個 Key 分別測試 GPT Codex 與 Claude 系列，用前文的對比腳本跑相同的指令，根據成功率和成本做決定。

Codex 接入 Rhino MCP 常見報錯排查

接入過程中的報錯，大多可以按“模型接口 → Codex 配置 → MCP Server → Rhino 插件”的順序逐層排查。

常見問題 FAQ

Codex 接入 Rhino MCP 核心要點 Key Takeaways

• 鏈路組成：Rhino 插件、MCP Server、Codex 客戶端、大模型 API 四部分缺一不可
• 本地部署：Rhino MCP Server 和 Codex 均在本機運行，只有模型推理需要聯網
• 關鍵配置：在 config.toml 中同時聲明模型提供方和 mcp_servers
• 循序漸進：從單個立方體開始，逐步增加到多步規劃和腳本生成任務
• 模型選型：優先測試 GPT Codex 系列和 Claude Sonnet/Opus 系列
• 上手方式：用 API易 的一個 Key 即可在同一套環境中橫向對比多個模型

總結

Codex 接入 Rhino MCP 的核心要點：

1. 第 1 步部署 MCP Server：安裝 Rhino 插件並啓動監聽，用 uvx rhinomcp 驗證服務
2. 第 2 步配置模型接口：在 Codex 配置文件中設置自定義提供方並註冊 Rhino MCP
3. 第 3 步跑通建模指令：從簡單指令開始，逐步驗證模型的工具調用與規劃能力

整條鏈路跑通之後，真正決定建模效果的是模型選擇和指令寫法。建議用本文的對比腳本，拿自己常見的建模任務做實測。

推薦通過 API易 apiyi.com 快速驗證效果，平臺提供 OpenAI 兼容接口、免費測試額度和多模型統一接入，便於在 Codex 中靈活切換 GPT 與 Claude 系列。

📚 參考資料

1. rhinomcp 開源項目：Rhino MCP 插件與 Server 實現
2. 鏈接：github.com/jingcheng-chen/rhinomcp

3. 說明：包含安裝步驟、可用工具列表和版本兼容說明

4. OpenAI Codex 項目倉庫：Codex CLI 安裝與配置說明

5. 鏈接：github.com/openai/codex

6. 說明：config.toml 中模型提供方與 MCP Server 配置項的權威說明

7. Model Context Protocol 官方文檔：MCP 協議規範

8. 鏈接：modelcontextprotocol.io
9. 說明：理解工具註冊、調用與返回機制的基礎資料

作者：APIYI 技術團隊
技術交流：歡迎在 API易 官網首頁聯繫我們，Codex、Claude Code 等使用場景的配置說明可訪問 docs.apiyi.com 文檔中心

延伸閱讀

• 手把手教程：一個 Key 接上所有 Agent，用開源 magpie 統一接入 API 網關（以 Claude Code、Codex、Pi、Hermes 爲例）:一份能照着做完的教程：約 30 分鐘讓你機器上所有編程 Agent（以 Claude Code、Codex、Pi、Hermes 爲例）共用一個 API Key 和一個網關地址。含 magpie 界面截圖、逐步接入流程、原生配置對照和報錯排查表。