Katalog Model MCP untuk Agen Pengodean: Jadikan Pilihan Model Dapat Dibaca Mesin

Katalog model MCP untuk coding agent adalah daftar model yang tersedia yang terstruktur dan dapat dikueri, yang dapat dibaca oleh agen melalui Model Context Protocol, alih-alih mengandalkan nama model yang di-hardcode ke dalam kode sumber. Hal ini memungkinkan agen, plugin IDE, atau lapisan orkestrasi untuk memilih model saat runtime berdasarkan jenis tugas, context window, atau batas biaya, alih-alih menggunakan string yang diketik pengembang enam bulan lalu dan terlupakan untuk diperbarui.

Hal ini jauh lebih penting daripada kedengarannya. Coding agent terus-menerus memanggil model untuk pelengkapan otomatis (autocomplete), refactor multi-file, pembuatan tes, hingga penyusunan pesan commit. Setiap tugas ini memiliki model ideal yang berbeda. Jika agen tidak dapat menemukan model apa saja yang ada dan kegunaannya, seseorang harus terus mengedit file konfigurasi setiap kali penyedia merilis versi baru. Artikel ini membahas apa saja yang harus dimuat dalam entri katalog model, bagaimana bentuk permintaan bergaya MCP untuk katalog tersebut, dan bagaimana memutuskan model mana yang akan diarahkan ke tugas coding tertentu.

Poin Penting

• Katalog model mengubah pemilihan model dari string yang di-hardcode menjadi pencarian saat runtime, yang mengurangi beban pemeliharaan saat penyedia merilis model baru.
• Coding agent mendapatkan keuntungan dengan mengarahkan jenis tugas yang berbeda (autocomplete, refactor, pembuatan tes, review) ke model yang berbeda, alih-alih menggunakan satu model untuk semuanya.
• Permintaan MCP untuk data katalog model biasanya mengikuti bentuk resource-list atau tool-call; skema yang tepat harus diverifikasi terhadap dokumentasi penyedia itu sendiri sebelum Anda membangun integrasi di atasnya.
• TokenLab menerbitkan Model Data Center di /models/data dan direktori model di /models; jadikan ini sebagai tempat untuk memverifikasi nama model terkini, bukan artikel ini, karena jajaran model sering berubah.

Mengapa Coding Agent Membutuhkan Data Model yang Dapat Dibaca Mesin

Sebagian besar integrasi coding agent masih bekerja seperti integrasi API satu dekade lalu: pengembang memilih nama model, menempelkannya ke dalam konfigurasi atau variabel lingkungan, lalu merilisnya. Cara itu berhasil sampai penyedia menghentikan dukungan (deprecate) model tersebut, mengubah harga, atau merilis opsi yang lebih baik yang tidak memiliki proses adopsi oleh tim.

Katalog yang dapat dibaca mesin mengubah mode kegagalan ini. Alih-alih agen rusak secara diam-diam saat model dihentikan, agen dapat mengueri katalog, melihat bahwa model tersebut sudah tidak ada atau ditandai sebagai deprecated, lalu beralih ke alternatif yang terdokumentasi. Alih-alih pengembang melakukan benchmarking manual pada setiap rilis baru, agen (atau alat pengembang) dapat membandingkan context window, dukungan modalitas, dan kolom biaya yang tercantum sebelum beralih.

Ini juga merupakan prasyarat untuk strategi perutean model yang serius. Jika Anda ingin mengirim penyelesaian volume tinggi yang murah ke model berbiaya rendah seperti DeepSeek V4 Flash atau Gemini 3.5 Flash, dan mencadangkan model yang lebih kuat seperti Claude Sonnet 5 untuk refactor multi-file, logika perutean memerlukan sumber kebenaran tentang model mana yang saat ini berlaku, berapa biayanya, dan apa yang didukungnya. Tanpa itu, aturan perutean akan usang dengan cara yang sama seperti nama model yang di-hardcode.

TokenLab telah menulis tentang masalah ini secara langsung dalam konteks menjadikan informasi model sebagai sesuatu yang dapat dipercaya oleh agen, alih-alih sesuatu yang harus diverifikasi ulang oleh manusia secara manual. Lihat agent-readable model truth untuk argumen yang lebih luas tentang kebenaran model yang dapat dibaca agen, dan agent-first API untuk mengetahui bagaimana desain API berubah ketika pemanggil utamanya adalah agen, bukan pengembang manusia.

Apa yang Harus Ada dalam Entri Katalog Model MCP

Entri katalog yang berguna untuk coding agent memerlukan lebih dari sekadar nama model. Minimal, pengembang yang membangun atau mengonsumsinya harus 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 coding agent yang bekerja di seluruh repositori besar.
• Kolom biaya: harga token input dan output, idealnya dipisahkan, karena coding agent sering kali memiliki beban kerja asimetris yang berat di input (konteks file besar, output diff kecil).
• Status: saat ini (current), deprecated, atau dijadwalkan untuk dihentikan. 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 kolom-kolom ini ada di setiap format katalog penyedia. Sebelum membangun integrasi, periksa skema aktual yang didokumentasikan oleh penyedia yang Anda gunakan. Khusus untuk model yang dilayani TokenLab, kumpulan kolom dan irama pembaruan saat ini harus diverifikasi di /models/data alih-alih diasumsikan dari artikel ini, karena 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 sumber daya model yang tersedia mungkin mengirimkan permintaan yang berbentuk seperti ini. Contoh ini mengilustrasikan pola daftar sumber daya MCP secara umum dan bukan klaim tentang skema langsung penyedia tertentu; konfirmasikan nama metode dan kolom respons yang tepat terhadap https://docs.tokenlab.sh atau dokumentasi server MCP Anda sendiri sebelum menulis kode produksi untuknya.

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

Bentuk respons yang masuk akal, sekali lagi hanya ilustrasi dan bukan skema 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 anggap nilai context window, nama kolom yang tepat, atau model spesifik yang tercantum di atas sebagai fakta yang dikonfirmasi tentang API langsung mana pun. Nilai-nilai tersebut ada di sini untuk menunjukkan bentuk permintaan dan respons, bukan untuk menyatakan harga atau angka kemampuan. Selalu ambil angka-angka tersebut dari dokumentasi terkini penyedia itu sendiri atau dari /models/data pada saat Anda membangun.

Memilih Model Berdasarkan Tugas: Daftar Periksa Keputusan

Katalog model hanya berguna jika agen (atau pengembang 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 berkomitmen pada aturan perutean dalam produksi.

Tugas coding agent	Apa yang paling penting	Contoh model untuk dievaluasi
Autocomplete / saran inline	Latensi rendah, biaya per panggilan rendah	DeepSeek V4 Flash, Gemini 3.5 Flash, Laguna XS 2.1
Multi-file refactor	Context window lebih besar, penalaran kode 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 merujuk diff secara akurat	Claude Sonnet 5, Gemini 3.5 Flash
Tugas batch volume 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 deprecation 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, alih-alih selalu menggunakan opsi yang paling mampu (dan paling mahal)?
4. Apakah ada model cadangan 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 memelihara Model Data Center di /models/data dan direktori model di /models, keduanya diamati per 2026-07-14. Ini adalah permukaan untuk memeriksa daftar model saat ini, alih-alih mengandalkan artikel statis apa pun, karena katalog model secara inheren sensitif terhadap waktu. Dokumentasi API TokenLab di https://docs.tokenlab.sh adalah tempat untuk memverifikasi skema permintaan dan respons yang tepat sebelum berintegrasi.

Jika Anda membangun coding agent yang perlu melakukan perutean antara model seperti Claude Sonnet 5 untuk tugas review, DeepSeek V4 Flash untuk penyelesaian volume tinggi yang murah, dan Kimi K2.7 Code untuk pembuatan tes, pola praktisnya adalah memperlakukan pengidentifikasi model sebagai variabel yang diselesaikan pada saat permintaan terhadap katalog, bukan konstanta yang dikompilasi ke dalam kode sumber agen Anda. Mulailah dengan meninjau daftar saat ini di /models/data dan mengonfirmasi bentuk permintaan yang dibutuhkan klien MCP Anda terhadap dokumentasi API TokenLab sebelum menghubungkan logika perutean ke dalam produksi.

Keterbatasan

Artikel ini menjelaskan pola umum untuk katalog model MCP dan perutean coding agent. Artikel ini tidak mengonfirmasi bahwa penyedia tertentu, 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 umum MCP, bukan sebagai skema terverifikasi untuk endpoint langsung mana pun. Sebelum merilis, konfirmasikan pengidentifikasi model, harga, dan context window yang tepat terhadap dokumentasi terkini penyedia dan terhadap /models/data.

FAQ

Apakah MCP sendiri mendefinisikan skema katalog model standar? MCP mendefinisikan pola umum untuk sumber daya dan alat 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 coding agent 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 alih-alih menggunakan satu model untuk semuanya.

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 mengueri katalog alih-alih menyimpan pengidentifikasi model secara permanen, dan periksa /models/data atau dokumentasi penyedia Anda sesuai jadwal rutin.