开源MCP工具让Claude Code调用Codex CLI及多模型协同
速览
开发者开源了multi-llm-mcp工具，旨在增强Claude Code的多模型协同能力。该工具允许Claude Code通过MCP调用本地Codex CLI执行代码任务，并并行调用GPT、Kimi等多个模型获取多角度回答。此外，项目引入了异步等待机制以解决长任务超时问题，实现调度与执行的分离。
AI 深度解读
背景
随着大语言模型（LLM）在软件开发领域的深入应用，开发者对 AI 辅助编程工具的需求已从单一的对话交互转向更复杂的协同工作流。Claude Code 作为一款强大的代码智能体，虽然具备出色的对话和调度能力，但在面对需要多视角分析或重型代码执行任务时，往往受限于单一模型的上下文窗口、推理风格或执行权限。
与此同时，Model Context Protocol (MCP) 的兴起为不同 AI 工具之间的标准化连接提供了可能。然而，现有的 MCP 实现多侧重于数据源接入，缺乏针对“多模型协同”与“本地 CLI 工具集成”的成熟解决方案。特别是在处理长耗时任务时，同步调用导致的超时问题成为阻碍自动化流程顺畅运行的痛点。在此背景下，开发者社区出现了一种旨在打破模型孤岛、整合本地执行能力的 MCP 插件需求。
核心内容
本帖分享了一个名为 multi-llm-mcp 的开源 MCP 工具项目。该项目由 LINUX DO 社区用户开发，旨在为 Claude Code 扩展两大核心能力：一是通过 MCP 协议调用本地 Codex CLI 执行代码任务；二是实现多模型并行调用与结果综合。
该工具的设计初衷是为了解决 Claude Code 在以下场景中的局限性：
- 多视角分析需求：当遇到复杂问题时，单一模型的回答可能存在盲区。开发者希望让 Claude Code 能够将问题分发给 GPT、Kimi、DeepSeek、Qwen 等多个模型，从不同角度获取回答，再由 Claude Code 进行综合判断。
- 重型代码执行需求：Codex CLI 在文件修改、重构代码、生成测试等具体执行层面具有优势，将其作为“干活”的工具接入，可以弥补 Claude Code 在直接操作文件系统时的不足。
功能模块详解
multi-llm-mcp 目前提供了以下一组 MCP 工具，以支持上述工作流：
- ask：基础调用接口，支持调用单个模型进行简单的多轮会话。
- ask_many：并行调用接口，将同一个问题同时发送给多个配置的模型，实现并行推理。
- review：分析接口，让多个模型同时对一段代码或内容进行审查和分析。
- ask_codex：通过 MCP 协议调用本地安装的 Codex CLI，执行具体的代码任务。
- wait_codex：异步等待接口，用于等待
ask_codex发起的长任务完成。 - wait_many：异步等待接口，用于等待
ask_many发起的多模型任务完成。 - health_check：诊断接口，用于检查运行环境及模型配置是否正常。
异步机制与超时处理
针对 MCP 工具调用中常见的超时限制问题，该项目引入了异步等待机制。当发起长耗时任务（如复杂的代码重构或大模型并行推理）时，工具不会一直阻塞等待结果，而是立即返回一个 job_id。开发者或后续流程可以通过 wait_codex 或 wait_many 接口，利用该 ID 轮询或等待任务最终完成。这种设计有效避免了因单次调用超时导致的任务中断，提升了系统的鲁棒性。
关键要点
- 项目定位：
multi-llm-mcp是一个个人工具型项目，非完整平台，代码结构相对简单，旨在为有类似需求的开发者提供参考。 - 核心架构：采用“Claude Code 负责对话与调度 + Codex CLI 负责执行 + 其他模型负责多视角回答”的协同架构。
- 多模型支持：明确支持接入 GPT、Kimi、DeepSeek、Qwen 等主流模型，实现跨模型的并行推理与结果对比。
- 异步任务管理：通过
job_id机制解决长任务超时问题，实现了任务发起与结果获取的解耦。 - 开源合规：项目已完全开源，无未开源部分，并已获得 LINUX DO 社区认可，符合社区推广要求。
- 待改进空间：作者坦言项目在配置方式、异常处理机制以及任务清理逻辑等方面仍有优化空间，目前处于早期可用阶段。
意义与影响
multi-llm-mcp 的出现反映了 AI 开发者正在从“单一模型依赖”向“多模型协同生态”转变的趋势。其意义主要体现在以下三个方面：
- 拓展了 MCP 的应用边界：传统的 MCP 多用于连接数据库或文件系统，而该项目展示了 MCP 在连接不同 LLM 推理后端和本地 CLI 工具方面的潜力，为构建更灵活的 AI Agent 工作流提供了新思路。
- 提升了代码智能体的决策质量：通过引入多模型并行推理（Ask Many/Review），开发者可以利用不同模型的特性（如 DeepSeek 的逻辑推理、Qwen 的代码生成能力等）来互补单一模型的不足，从而获得更全面、准确的代码建议。
- 解决了实际工程痛点：异步等待机制的引入，切实解决了 MCP 调用中常见的超时阻塞问题，使得长耗时任务在自动化脚本或复杂工作流中的集成成为可能。
尽管该项目目前较为简单，但其设计理念——即通过标准化协议（MCP）整合异构 AI 能力——对于未来构建更强大的本地化 AI 编程助手具有重要的参考价值。