MCP工具让Claude Code调用Codex CLI与多模型
速览
开发者发布开源工具multi-llm-mcp，作为MCP插件扩展Claude Code能力。它通过MCP协议调用本地Codex CLI执行代码修改与文件操作，同时支持向GPT、Kimi、DeepSeek、Qwen等多个模型并行提问，获取多角度回答。工具引入异步等待机制，通过job_id解决MCP超时限制，实现长任务延续。该项目旨在让Claude Code作为对话调度核心，结合Codex的执行能力与多模型的多样性，提升AI编程协作效率。
AI 深度解读
背景
随着 Claude Code 等 AI 编程助手在日常开发中的普及，开发者逐渐发现单一模型在面对复杂任务时的局限性：Claude Code 擅长对话与调度，但在代码执行、文件修改等具体操作上可能不够直接；同时，仅依赖一个模型也意味着无法获得不同模型视角下的多样化回答。此外，MCP（Model Context Protocol）工具调用存在超时限制，长任务容易中断。基于这些痛点，作者开发了 multi-llm-mcp 工具，旨在通过 MCP 协议将 Claude Code 与 Codex CLI 以及多个第三方模型（如 GPT、Kimi、DeepSeek、Qwen）串联起来，实现多模型协同和异步任务管理。
核心内容
multi-llm-mcp 是一个基于 Python 的 MCP 工具，主要功能是让 Claude Code 获得两个新能力：
- 通过 MCP 调用本地 Codex CLI：让 Codex 帮助查看项目、修改文件、重构代码、生成测试等。
- 同时调用多个模型：支持将同一个问题同时发给 GPT、Kimi、DeepSeek、Qwen 等模型，从不同角度得到回答，再由 Claude Code 综合判断。
工具目前提供以下工具接口：
ask：调用单个模型，支持简单多轮会话。ask_many：将同一个问题同时发给多个模型。review：让多个模型同时分析一段内容。ask_codex：通过 MCP 调用 Codex CLI 执行任务。wait_codex：等待 Codex 长任务继续完成（异步等待机制）。wait_many：等待多模型任务继续完成。health_check：检查运行环境和模型配置。
核心设计思路是：Claude Code 负责对话和调度，Codex CLI 负责执行任务，其他模型负责提供不同角度的回答。针对 MCP 工具调用可能超时的问题，作者设计了异步等待机制：长任务不会一直卡在单次工具调用中，而是先返回 job_id，后续通过 wait_codex 或 wait_many 继续等待结果。
目前项目尚处于个人工具阶段，并非完整平台，代码在配置方式、异常处理、任务清理等方面仍有改进空间。作者开源此项目，供有类似需求的人参考。
关键要点
- 项目名称：
multi-llm-mcp，一个 Python 源码的 MCP 工具。 - 主要用途：让 Claude Code 通过 MCP 调用本地 Codex CLI 执行代码任务，并同时调用多个模型（GPT、Kimi、DeepSeek、Qwen）获取多角度回答。
- 提供 7 个工具接口：
ask、ask_many、review、ask_codex、wait_codex、wait_many、health_check。 - 异步等待机制：解决 MCP 工具调用超时问题，长任务通过
job_id异步轮询结果。 - 角色分工：Claude Code 负责对话与调度，Codex CLI 负责执行代码/文件操作，其他模型负责提供多样化回答。
- 项目状态：个人工具型项目，开源，配置和异常处理尚需完善。
意义与影响
multi-llm-mcp 体现了 AI 编程工具从“单模型驱动”向“多模型协同”演进的趋势。通过 MCP 协议将 Claude Code、Codex CLI 和多个第三方模型整合在一起，为开发者提供了一种灵活、低成本的实验方案：无需更换主工具，就能调用不同模型的长处。其异步等待机制也针对 MCP 工具调用的超时痛点提供了务实解法，有助于推动 MCP 生态中长任务处理的标准化。尽管项目尚属早期，但它的设计思路——让对话模型负责调度、执行模型负责操作、多种模型提供多元视角——为构建更强大的 AI 编程工作流提供了可参考的架构范本。