Katalog Model MCP untuk Coding Agents: Jadikan Pilihan Model Dapat Dibaca oleh Mesin

Agen coding yang melakukan hardcode pada nama model pada akhirnya akan membuat seseorang terbangun karena notifikasi error pada jam 2 pagi. Katalog model MCP untuk agen coding mengubah mode kegagalan tersebut. Alih-alih menggunakan string yang terkubur dalam kode sumber, agen akan membaca daftar terstruktur yang berisi model saat ini, biaya, modalitas, dan kolom status pada saat permintaan dilakukan. Kami mengelola katalog serupa di TokenLab, dan kami memperlakukan katalog tersebut sebagai sumber kebenaran (source of truth) untuk perutean. Dalam pipeline kami, pemilihan model adalah sebuah lookup, bukan konstanta.

Mengapa Agen Coding Membutuhkan Data Model yang Dapat Dibaca Mesin

Sebagian besar integrasi agen coding masih bekerja seperti integrasi API dari satu dekade lalu. Seorang developer memilih nama model, menempelkannya ke dalam konfigurasi atau variabel lingkungan, lalu melakukan deployment. Hal itu berhasil sampai penyedia layanan menghentikan model tersebut, mengubah harga, atau merilis opsi yang lebih baik. Kemudian, tim tidak memiliki proses untuk mengadopsinya.

Katalog yang dapat dibaca mesin mengubah mode kegagalan tersebut. Ketika sebuah model dipensiunkan, agen dapat meminta data dari katalog, melihat bahwa model tersebut sudah tidak ada atau ditandai sebagai deprecated, dan beralih ke alternatif yang terdokumentasi. Alih-alih developer melakukan benchmarking secara manual pada setiap rilis baru, alat bantu (tooling) dapat membandingkan context window, dukungan modalitas, dan kolom biaya yang terdaftar sebelum melakukan peralihan.

Ini juga merupakan prasyarat untuk perutean model yang serius. Anda mungkin menginginkan penyelesaian (completion) bervolume tinggi yang murah pada DeepSeek V4 Flash atau Gemini 3.5 Flash. Anda mungkin mencadangkan Claude Sonnet 5 untuk refactor multi-file. Logika perutean tetap membutuhkan sumber kebenaran. Sumber tersebut harus menyatakan model mana yang saat ini tersedia, berapa biayanya, dan apa yang didukungnya. Tanpanya, aturan perutean akan rusak dengan cara yang sama seperti nama model yang di-hardcode.

TokenLab telah menulis tentang masalah ini secara langsung. Lihat agent-readable model truth untuk argumen yang lebih luas, dan agent-first API untuk mengetahui bagaimana desain API berubah ketika pemanggil utamanya adalah agen, bukan developer manusia.

Poin Penting

• Katalog model mengubah pemilihan model dari string yang di-hardcode menjadi lookup saat runtime, yang mengurangi beban pemeliharaan ketika penyedia merilis model baru.
• Agen coding mendapatkan keuntungan dari perutean berbagai jenis tugas (autocomplete, refactor, pembuatan tes, review) ke model yang berbeda daripada menggunakan satu model untuk segalanya.
• Permintaan MCP untuk data katalog model biasanya mengikuti bentuk resource-list atau tool-call; verifikasi skema yang tepat terhadap dokumentasi penyedia sebelum Anda membangun sistem di atasnya.
• TokenLab menerbitkan Model Data Center di /models/data dan direktori model di /models; perlakukan ini sebagai tempat untuk memverifikasi nama model saat ini, bukan artikel ini, karena jajaran model sering berubah.

Apa yang Harus Ada dalam Entri Katalog Model MCP

Entri katalog yang berguna untuk agen coding memerlukan lebih dari sekadar nama model. Minimal, pembuat dan konsumen harus dapat melihat:

• Pengidentifikasi model: string tepat yang diharapkan oleh API, karena penyedia sering kali memberikan versi nama secara presisi (ketidakcocokan di sini adalah salah satu bug integrasi yang paling umum).
• Penyedia: perusahaan atau platform mana yang melayani model tersebut, relevan ketika katalog menggabungkan beberapa penyedia.
• Dukungan modalitas: teks, kode, gambar, atau video. Katalog yang mencampur model coding seperti Kimi K2.7 Code dengan model gambar seperti Nano Banana Pro memerlukan kolom yang memungkinkan agen memfilter berdasarkan apa yang sebenarnya dibutuhkan.
• Context window: batas token sangat penting bagi agen coding yang bekerja di seluruh repositori besar.
• Kolom biaya: harga token input dan output, idealnya dipisahkan, karena agen coding sering kali memiliki beban kerja asimetris yang berat di input (konteks file besar, output diff kecil).
• Status: saat ini (current), deprecated, atau dijadwalkan untuk pensiun. Ini adalah kolom yang mencegah kerusakan diam-diam.
• Tag kesesuaian tugas: metadata opsional namun berguna seperti 'coding,' 'low-cost routing,' atau 'open-weight,' sehingga agen dapat memfilter tanpa harus mengetahui karakteristik setiap model sebelumnya.

Tidak ada jaminan bahwa semua kolom ini ada dalam format katalog setiap penyedia. Sebelum membangun integrasi, periksa skema aktual yang didokumentasikan pada penyedia yang Anda gunakan. Khusus untuk model yang dilayani TokenLab, verifikasi rangkaian kolom saat ini dan irama pembaruan di /models/data daripada berasumsi bahwa kolom tersebut cocok dengan artikel ini. Skema katalog berubah seiring dengan penambahan model dan modalitas baru.

Contoh: Meminta Katalog Model Melalui MCP

MCP biasanya berkomunikasi melalui JSON-RPC 2.0. Klien yang meminta server untuk mencantumkan resource model yang tersedia mungkin mengirimkan permintaan yang berbentuk seperti ini. Contoh ini mengikuti pola resource-list MCP secara umum. Ini bukan klaim mengenai skema langsung penyedia mana pun. Konfirmasikan nama metode dan kolom respons yang tepat terhadap https://docs.tokenlab.sh atau dokumentasi server MCP Anda sendiri sebelum menulis kode produksi di atasnya.

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "resources/list",
  "params": {
    "filter": {
      "modality": "text",
      "tag": "coding"
    }
  }
}

Bentuk respons yang masuk akal, sekali lagi bersifat ilustratif dan bukan skema yang terverifikasi:

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "resources": [
      {
        "id": "claude-sonnet-5",
        "provider": "Anthropic",
        "modality": ["text", "code"],
        "context_window": "verify at provider docs",
        "status": "current",
        "tags": ["coding", "review"]
      },
      {
        "id": "deepseek-v4-flash",
        "provider": "DeepSeek",
        "modality": ["text", "code"],
        "context_window": "verify at provider docs",
        "status": "current",
        "tags": ["low-cost", "coding"]
      }
    ]
  }
}

Jangan perlakukan nilai context window, nama kolom yang tepat, atau model spesifik yang tercantum di atas sebagai fakta terkonfirmasi tentang API langsung mana pun. Nilai tersebut menunjukkan bentuk permintaan dan respons, bukan harga atau angka kemampuan. Tarik angka-angka tersebut dari dokumentasi penyedia saat ini atau dari /models/data saat Anda membangun sistem.

Memilih Model Berdasarkan Tugas: Daftar Periksa Keputusan

Katalog model hanya berguna jika agen atau developer yang mengonfigurasi agen memiliki aturan untuk mencocokkan jenis tugas dengan model. Tabel di bawah ini adalah kerangka kerja awal, bukan hasil benchmark. Verifikasi klaim harga dan kemampuan saat ini terhadap dokumentasi penyedia dan /models sebelum melakukan komitmen pada aturan perutean dalam produksi.

Tugas agen coding	Apa yang paling penting	Contoh model untuk dievaluasi
Autocomplete / saran inline	Latensi rendah, biaya rendah per panggilan	DeepSeek V4 Flash, Gemini 3.5 Flash, Laguna XS 2.1
Refactor multi-file	Context window lebih besar, penalaran kode yang kuat	Claude Sonnet 5, DeepSeek V4 Pro
Pembuatan tes	Pemformatan konsisten, penalaran moderat	Kimi K2.7 Code, Claude Sonnet 5
Code review / ringkasan PR	Penalaran kuat, kemampuan untuk mereferensikan diff secara akurat	Claude Sonnet 5, Gemini 3.5 Flash
Tugas batch bervolume tinggi (linting, komentar dokumen)	Biaya per token di atas kemampuan mentah	GLM-5.2, Qwen3.7 Plus, MiniMax M3
Persyaratan open-weight (self-host atau batasan lisensi)	Open weights, dapat dideploy di luar API terkelola	GLM-5.2, DeepSeek V4 Pro, DeepSeek V4 Flash, Qwen3.7 Plus, Kimi K2.7 Code

Daftar periksa praktis untuk membangun logika perutean itu sendiri:

1. Apakah entri katalog menyertakan kolom status, sehingga Anda dapat mendeteksi penghentian layanan sebelum panggilan gagal?
2. Apakah katalog memisahkan model yang mampu melakukan coding dari model teks atau gambar umum, sehingga pemfilteran tidak memerlukan daftar yang di-hardcode?
3. Bisakah Anda menetapkan batas biaya per jenis tugas dan meminta agen memilih model termurah yang memenuhinya, daripada selalu menggunakan opsi yang paling mampu (dan paling mahal)?
4. Apakah ada model cadangan (fallback) yang ditentukan untuk setiap kategori tugas, jika pilihan utama tidak tersedia atau terkena limit rate?
5. Apakah Anda memeriksa ulang katalog sesuai jadwal, bukan hanya pada integrasi pertama, karena jajaran model berubah seiring waktu?

Di Mana TokenLab Berperan dalam Alur Kerja Ini

TokenLab mengelola Model Data Center di /models/data dan direktori model di /models, keduanya diamati per 2026-07-14. Periksa permukaan ini untuk daftar model saat ini daripada mengandalkan artikel statis apa pun. Katalog model pada dasarnya sensitif terhadap waktu. Dokumentasi API TokenLab di https://docs.tokenlab.sh adalah tempat untuk memverifikasi skema permintaan dan respons yang tepat sebelum melakukan integrasi.

Anda mungkin membangun agen coding yang melakukan perutean di antara beberapa model. Gunakan Claude Sonnet 5 untuk tugas review, DeepSeek V4 Flash untuk penyelesaian bervolume tinggi yang murah, dan Kimi K2.7 Code untuk pembuatan tes. Perlakukan pengidentifikasi model sebagai variabel. Selesaikan pada saat permintaan terhadap katalog, bukan sebagai konstanta yang dikompilasi ke dalam sumber kode agen Anda. Langkah praktisnya adalah memeriksa /models/data dan mengonfirmasi bentuk permintaan yang dibutuhkan klien MCP Anda terhadap dokumentasi API TokenLab. Masukkan logika perutean ke dalam produksi hanya setelah pemeriksaan tersebut dilakukan.

Keterbatasan

Artikel ini menjelaskan pola umum untuk katalog model MCP dan perutean agen coding. Artikel ini tidak mengonfirmasi bahwa penyedia spesifik mana pun, termasuk TokenLab, mengekspos setiap kolom yang dijelaskan di atas (context window, kolom biaya, status, tag tugas) dalam bentuk yang persis seperti ini. Skema, nama kolom, dan model yang tersedia sering berubah. Perlakukan contoh JSON dalam artikel ini sebagai ilustrasi pola permintaan dan respons MCP secara umum, bukan sebagai skema terverifikasi untuk endpoint langsung mana pun. Sebelum melakukan pengiriman (shipping), konfirmasikan pengidentifikasi model, harga, dan context window yang tepat terhadap dokumentasi penyedia saat ini dan terhadap /models/data.

FAQ

Apakah MCP sendiri mendefinisikan skema katalog model standar?

MCP mendefinisikan pola umum untuk resource dan tool melalui JSON-RPC, tetapi kolom yang tepat dalam katalog model (harga, context window, status) bergantung pada bagaimana server yang mengimplementasikan MCP memilih untuk mengekspos data tersebut. Verifikasi skema spesifik dengan server atau penyedia yang Anda integrasikan.

Haruskah agen coding selalu menggunakan model yang paling mampu?

Belum tentu. Tugas seperti autocomplete sensitif terhadap latensi dan biaya, sementara refactor multi-file mendapatkan keuntungan dari penalaran yang lebih kuat dan konteks yang lebih besar. Katalog dengan tag tugas dan kolom biaya memungkinkan Anda melakukan perutean berdasarkan tugas daripada selalu menggunakan satu model untuk segalanya.

Seberapa sering saya harus memeriksa ulang katalog model yang diandalkan agen saya?

Jajaran model cukup sering berubah sehingga integrasi satu kali saja tidak cukup. Bangun logika perutean Anda untuk meminta data dari katalog daripada menyimpan pengidentifikasi model secara permanen, dan periksa /models/data atau dokumentasi penyedia Anda sesuai jadwal rutin.

Mulailah dengan meninjau daftar saat ini di /models/data dan mengonfirmasi bentuk permintaan yang dibutuhkan klien MCP Anda terhadap dokumentasi API TokenLab sebelum memasukkan logika perutean ke dalam produksi.