TokenLab untuk Agen: Model yang Dapat Dibaca Mesin, Penetapan Harga, SDK, dan MCP

TokenLab MCP adalah server Model Context Protocol (MCP) bersifat read-only yang memberikan agen pengodean akses langsung dan terstruktur ke katalog model publik, harga, dan ikhtisar API TokenLab sebelum agen tersebut menulis satu baris kode integrasi pun. Server ini menjawab pertanyaan penemuan — ID model apa saja yang tersedia saat ini, berapa harganya, modalitas apa yang didukungnya — dan tidak melakukan panggilan API inferensi berbayar atas nama Anda.

Banyak bug integrasi agen tidak dimulai pada panggilan API pertama—bug tersebut dimulai lebih awal, saat agen memilih ID model dari contoh yang sudah usang, memori yang di-cache, atau tutorial berusia enam bulan, dan baru menemukan ketidakcocokan setelah muncul 404 atau kejutan harga.

Agen pengodean bekerja dengan cepat. Mereka tidak selalu membaca terlebih dahulu. Bersamaan dengan TokenLab MCP, TokenLab menerbitkan llms.txt yang ringkas, llms-full.txt yang lebih lengkap, dan file JSON data model publik — katalog model dan harga yang sama dengan yang dapat Anda telusuri sendiri — sehingga agen dapat memeriksa ID model dan biaya saat ini sebelum melakukan hardcode pada apa pun.

Artikel ini membahas apa saja antarmuka tersebut, apa fungsinya, dan bagaimana menghubungkan agen untuk menggunakannya sebelum melakukan hardcode pada nama model. Untuk referensi endpoint lengkap, lihat dokumentasi integrasi.

Poin Penting

• TokenLab menerbitkan ikhtisar API yang dapat dibaca agen di api.tokenlab.sh/llms.txt dan llms-full.txt, dengan domain web yang mengarahkan ke sumber yang sama.
• File Public Model Data Center (JSON katalog, JSON terbaru, JSON tren, ringkasan markdown) memberikan agen snapshot yang dapat dikueri mengenai apa yang ditawarkan TokenLab saat ini.
• Server TokenLab MCP mengekspos list_models, get_model, get_model_pricing, dan get_api_overview — dan bersifat read-only. Server ini tidak memproksi inferensi berbayar.
• Dokumentasi publik menyarankan agen untuk memanggil /v1/models atau membaca llms.txt sebelum melakukan hardcode pada nama model, serta menggunakan pemfilteran recommended_for untuk tugas non-chat seperti gambar, video, atau embedding.
• Membaca endpoint model dan harga sebelum mencoba kembali permintaan non-chat yang gagal akan menghindari panggilan gagal berulang terhadap keluarga model yang salah.

Mengapa Agen Memilih ID Model Usang Sejak Awal

Agen pengodean menghasilkan ID model dari apa yang mereka pelajari selama pelatihan, bukan dari apa yang tersedia saat ini. Data pelatihan tersebut memiliki batas waktu, sehingga pemahaman internal agen tentang "model saat ini" terpaku pada apa pun yang benar saat bobotnya terakhir diperbarui. Saat Anda meminta agen untuk memanggil API model, agen akan dengan percaya diri menggunakan ID yang diingatnya — meskipun ID tersebut mungkin telah diubah namanya, tidak digunakan lagi, atau diganti.

Ini bukan bug dalam penalaran agen; ini adalah batasan struktural dari sistem apa pun yang mengandalkan pengetahuan yang dihafal alih-alih pencarian langsung. Perbaikannya bukan prompt yang lebih cerdas — melainkan memberi agen tempat untuk memeriksa sebelum menulis kode.

Itulah tujuan adanya file data model dan API TokenLab. Sebelum membuat permintaan, agen (atau manusia yang meninjau outputnya) dapat mengueri endpoint langsung untuk mengonfirmasi apakah ID model tersebut benar-benar ada, modalitas apa yang didukungnya, dan berapa biayanya — alih-alih memercayai nama yang diambil dari memori.

Endpoint	Tujuan
https://tokenlab.sh/model-data/catalog.json	Katalog lengkap model yang dilacak, disusun untuk pencarian terprogram
https://tokenlab.sh/model-data/latest.json	Daftar model saat ini dalam format yang ringan dan ramah agen
https://tokenlab.sh/en/models	Peramban model yang dapat dibaca manusia
https://tokenlab.sh/en/pricing	Harga saat ini berdasarkan model dan modalitas

Sebuah postingan blog — termasuk yang satu ini — adalah sebuah snapshot. Postingan ini mencerminkan apa yang benar saat ditulis, dan akan menjadi usang dengan cara yang sama seperti data pelatihan agen. Endpoint langsung tidak memiliki masalah tersebut: endpoint tersebut mencerminkan apa yang benar saat ini, itulah sebabnya endpoint tersebut lebih aman untuk diperiksa sebelum kode dirilis, bukan artikel statis.

Apa yang Diekspos TokenLab untuk Penemuan Agen

Lapisan llms.txt

https://api.tokenlab.sh/llms.txt adalah ikhtisar API yang ringkas dan dapat dibaca agen: endpoint apa yang ada, seperti apa bentuk permintaannya, dan di mana menemukan detail lebih dalam. File ini dirancang agar cukup singkat sehingga agen dapat membacanya dalam satu jendela konteks tanpa menghabiskan anggaran token yang besar hanya untuk mengorientasikan dirinya.

https://api.tokenlab.sh/llms-full.txt adalah versi yang lebih lengkap — lebih banyak detail endpoint, lebih banyak contoh, dan lebih banyak area permukaan yang dibutuhkan agen sebelum menghasilkan integrasi yang berfungsi, bukan draf kasar.

Jika Anda mendarat di domain web alih-alih host API, tokenlab.sh/llms.txt dan tokenlab.sh/llms-full.txt akan mengarahkan ke sumber yang dihosting API yang sama. Hal ini penting bagi agen: titik masuk mana pun yang mereka rayapi atau ambil, mereka akan mendarat di teks kanonik yang sama, bukan dua salinan yang berbeda.

Pusat Data Model

Di luar ikhtisar teks, TokenLab menerbitkan file JSON terstruktur yang dapat ditarik langsung oleh agen (atau skrip build):

• https://tokenlab.sh/model-data/catalog.json — katalog model yang lebih lengkap.
• https://tokenlab.sh/model-data/latest.json — snapshot yang berorientasi pada apa yang terkini saat ini.
• https://tokenlab.sh/model-data/summary.md — ringkasan markdown yang dapat dibaca manusia dan agen, berguna saat Anda menginginkan diff cepat terhadap apa yang saat ini di-hardcode oleh basis kode Anda.

Ini adalah file statis yang dapat diambil. Agen yang membangun file konfigurasi, template .env, atau menu pilihan model dapat menarik JSON secara langsung alih-alih meminta manusia untuk menempelkan daftar model yang akan usang lagi dalam dua minggu.

Server MCP — read-only, dan penting untuk bersikap tepat mengenai hal itu

https://github.com/hedging8563/tokenlab-mcp-server bersifat publik. Server ini mengekspos empat alat yang relevan untuk penemuan:

• list_models — menghitung apa yang tersedia, dengan filter opsional.
• get_model — menarik detail tentang ID model tertentu.
• get_model_pricing — menarik harga saat ini untuk model tertentu.
• get_api_overview — setara dengan membaca llms.txt secara native di MCP.

Batasan pentingnya: server ini bersifat read-only. Server ini tidak memanggil API inferensi berbayar atas nama Anda, dan tidak memproksi permintaan pembuatan. Server ini menjawab pertanyaan tentang model, harga, dan bentuk API. Jika agen Anda perlu menjalankan inferensi, agen tetap harus melalui API normal TokenLab dengan kunci Anda sendiri — server MCP adalah lapisan penemuan, bukan lapisan eksekusi. Mencampuradukkan keduanya adalah kesalahan umum yang patut dihindari secara eksplisit dalam setiap prompt agen atau file keterampilan yang Anda tulis.

Contoh Penemuan TokenLab MCP

TokenLab mengekspos server Model Context Protocol (MCP) read-only yang memungkinkan agen pengodean menemukan model dan harga yang tersedia tanpa melakukan inferensi apa pun. Server MCP menyediakan empat alat:

• list_models — mencantumkan model yang tersedia, difilter secara opsional berdasarkan recommended_for (misalnya image, video, embedding, rerank, translation)
• get_model — mengambil detail untuk model tertentu
• get_model_pricing — mengambil informasi harga untuk model tertentu
• get_api_overview — mengambil ringkasan API TokenLab

Contoh: mencantumkan model melalui MCP

{
  "tool": "list_models",
  "arguments": {}
}

Contoh: memfilter model berdasarkan penggunaan yang disarankan

{
  "tool": "list_models",
  "arguments": {
    "recommended_for": "image"
  }
}

Jika Anda lebih suka mengueri API secara langsung daripada melalui MCP, panggilan REST yang setara adalah:

# Mencantumkan semua model
curl https://api.tokenlab.sh/v1/models \
  -H "Authorization: Bearer sk-KEY"

# Mencantumkan model yang direkomendasikan untuk tugas gambar
curl "https://api.tokenlab.sh/v1/models?recommended_for=image" \
  -H "Authorization: Bearer sk-KEY"

Perhatikan bahwa server MCP benar-benar read-only — server ini ditujukan untuk penemuan (mencantumkan model, memeriksa harga, dan meninjau kemampuan API) dan tidak melakukan inferensi apa pun sendiri.

Untuk petunjuk pengaturan dan detail integrasi, lihat:

• Server TokenLab MCP
• Keterampilan Agen Pengodean

Repositori keterampilan

https://github.com/hedging8563/tokenlab-skills mengemas pola penemuan ini ke dalam sesuatu yang dapat dimuat langsung oleh kerangka kerja agen pengodean — definisi keterampilan yang memberi tahu agen "baca ini sebelum Anda menulis kode integrasi TokenLab," alih-alih mengandalkan agen untuk memutuskan secara mandiri untuk memeriksanya.

Alur Kerja Agen yang Direkomendasikan

Dokumentasi publik menjelaskan urutan tertentu, dan urutan tersebut terbukti efektif dalam praktiknya:

1. Sebelum melakukan hardcode pada nama model apa pun, panggil /v1/models atau baca llms.txt untuk mengonfirmasi bahwa ID tersebut benar-benar ada saat ini.
2. Untuk tugas non-chat — gambar, video, musik, 3D, TTS, STT, embedding, rerank, terjemahan — filter dengan /v1/models?recommended_for=<task> alih-alih berasumsi bahwa model yang berorientasi pada chat dapat menangani tugas tersebut, atau menebak nama model dari memori.
3. Sebelum mencoba kembali permintaan non-chat yang gagal, baca /v1/models/:model dan /v1/models/:model/pricing. Permintaan yang gagal terhadap model dengan modalitas yang salah sering kali akan gagal lagi saat dicoba kembali dengan input yang sama; memeriksa modalitas dan harga model yang sebenarnya terlebih dahulu akan menghemat siklus percobaan ulang.

Urutan ini penting karena memuat di awal dua mode kegagalan yang paling umum: ID model yang salah, dan keluarga model yang salah untuk tugas tersebut.

Daftar periksa praktis untuk menghubungkan ini ke agen

Langkah	Apa yang harus diperiksa	Di mana
1	Apakah ID model ini masih valid?	/v1/models atau llms.txt
2	Apakah ini keluarga model yang tepat untuk tugas tersebut (chat vs. gambar vs. embedding, dll.)?	/v1/models?recommended_for=<task>
3	Berapa harga input/output saat ini untuk model ini?	/v1/models/:model/pricing atau get_model_pricing (MCP)
4	Berapa jendela konteks dan modalitasnya?	/v1/models/:model atau get_model (MCP)
5	Apakah ada model yang lebih baru dengan nama serupa yang telah menggantikan model ini?	catalog.json / latest.json
6	Apakah agen membaca llms.txt sebelum menghasilkan kode integrasi?	Konfirmasi di log panggilan alat agen

Jika agen melewatkan langkah 1 dan 2, segala sesuatu di hilir — percobaan ulang, penanganan kesalahan, estimasi biaya — dibangun di atas asumsi, bukan fakta.

Mengapa Ini Penting Khususnya untuk Tugas Non-Chat

Model chat mendapatkan sebagian besar perhatian, tetapi filter recommended_for ada karena tugas non-chat gagal dengan cara yang kurang jelas. Model yang dibuat untuk pembuatan teks-ke-teks yang mengembalikan respons cacat terhadap permintaan gambar tidak selalu memberikan kesalahan yang bersih dan jelas. Terkadang model tersebut hanya mengembalikan sesuatu yang tidak diketahui cara penguraiannya oleh agen.

Memfilter berdasarkan recommended_for=image, recommended_for=video, recommended_for=embedding, dan seterusnya mempersempit kumpulan kandidat sebelum agen menulis badan permintaan. Mengingat banyaknya entri pembuatan gambar yang berbeda yang dapat ada di katalog model pada waktu tertentu — nano-banana-2 (Gemini 3.1 Flash Image), nano-banana-pro (Gemini 3 Pro Image), nano-banana-2-lite (Gemini 3.1 Flash Lite Image), openai/gpt-image-2, reve/reve-2.0, microsoft/mai-image-2.5 — menebak mana yang merupakan "model gambar" dari memori adalah mode kegagalan yang dirancang untuk dicegah oleh alur kerja ini. Pembuatan video memiliki rangkaian model khusus tugasnya sendiri (seedance, veo-3, antara lain) dengan harga dan bentuk modalitas yang berbeda; logika pemfilteran yang sama berlaku.

Untuk harga saat ini yang tepat, batas konteks, dan modalitas pada model tertentu yang disebutkan di sini, periksa katalog model dan halaman harga secara langsung — itulah tujuan utama untuk tidak melakukan hardcode ke dalam postingan blog. Jika Anda mengevaluasi model untuk pekerjaan pengembangan berbasis agen secara khusus, lihat model AI terbaik untuk pengodean 2026.

Apa yang Tidak Dilakukan Ini

Bersikap tepat di sini sama pentingnya dengan alur kerja itu sendiri:

• Server MCP tidak menjalankan inferensi berbayar. Server ini menjawab pertanyaan penemuan. Menjalankan permintaan pembuatan yang sebenarnya tetap melalui API standar dengan kredensial Anda sendiri.
• llms.txt dan file Model Data Center adalah snapshot berkala, bukan koneksi basis data langsung. Waktu penyegaran tidak ditetapkan pada jadwal yang ketat, jadi anggap tanggal apa pun di halaman ini sebagai perkiraan. Untuk apa pun yang sensitif terhadap harga atau keamanan, endpoint harga dan API dasbor tetap menjadi sumber kebenaran pada saat permintaan.
• Tidak satu pun dari ini menggantikan pembacaan dokumentasi API lengkap untuk autentikasi, batas kecepatan, atau semantik penanganan kesalahan. Antarmuka penemuan memberi tahu agen apa yang ada; mereka tidak menggantikan dokumentasi integrasi tentang cara memanggilnya dengan benar.

FAQ

Apa yang harus dibaca agen sebelum memilih model TokenLab? Baca llms.txt (atau llms-full.txt untuk detail lebih lanjut) dan panggil /v1/models sebelum melakukan hardcode pada ID model apa pun. Untuk tugas non-chat, filter dengan recommended_for alih-alih menebak nama model dari memori.

Apakah TokenLab MCP memanggil API inferensi berbayar? Tidak. Server TokenLab MCP publik bersifat read-only. Alat-alatnya (list_models, get_model, get_model_pricing, get_api_overview) menjawab pertanyaan penemuan tentang model dan harga. Panggilan inferensi yang sebenarnya melalui API standar dengan kunci Anda sendiri.

Kapan agen harus menggunakan recommended_for? Kapan pun tugasnya bukan chat biasa — gambar, video, musik, 3D, TTS, STT, embedding, rerank, atau terjemahan. Memfilter berdasarkan tugas mempersempit daftar model ke varian yang benar-benar dibuat untuk modalitas tersebut, alih-alih berasumsi bahwa model yang berorientasi pada chat akan menanganinya.

Bagaimana ini mengurangi ID model usang dalam kode yang dihasilkan? Dengan menjadikan penemuan sebagai langkah pertama, bukan langkah tambahan. Agen yang membaca llms.txt, memeriksa /v1/models, dan mengonfirmasi harga sebelum menulis kode bekerja dari snapshot saat ini, bukan memori waktu pelatihan yang mungkin sudah berusia beberapa generasi model.

Sumber dan Kesegaran

• TokenLab llms.txt — https://api.tokenlab.sh/llms.txt — diamati 2026-07-09
• TokenLab llms-full.txt — https://api.tokenlab.sh/llms-full.txt — diamati 2026-07-09
• Dokumen Server TokenLab MCP — https://docs.tokenlab.sh/integrations/tokenlab-mcp-server — diamati 2026-07-09
• Dokumen Keterampilan Integrasi API TokenLab — https://docs.tokenlab.sh/integrations/coding-agent-skill — diamati 2026-07-09
• Repositori Server TokenLab MCP — https://github.com/hedging8563/tokenlab-mcp-server — diamati 2026-07-09
• Repositori Keterampilan TokenLab — https://github.com/hedging8563/tokenlab-skills — diamati 2026-07-09
• Pusat Data Model TokenLab — https://tokenlab.sh/model-data/catalog.json, https://tokenlab.sh/model-data/latest.json, https://tokenlab.sh/model-data/summary.md — diamati 2026-07-09

ID model, harga, dan detail modalitas dalam artikel ini mencerminkan snapshot yang diambil pada saat penulisan. Halaman snapshot seperti ini dan llms.txt diperbarui secara berkala, tetapi tidak pada irama yang tetap atau dijamin — jangan membangun logika percobaan ulang atau estimasi biaya berdasarkan interval penyegaran yang diasumsikan. Verifikasi nilai saat ini terhadap halaman harga dan katalog model sebelum merilis kode integrasi. Untuk melihat lebih dalam bagaimana harga disusun di seluruh keluarga model, lihat harga API Gemini untuk pengembang.

Langkah Selanjutnya dengan TokenLab MCP

Untuk mulai menggunakan TokenLab MCP guna penemuan model:

1. Dapatkan kunci API dari dasbor TokenLab.
2. Hubungkan agen Anda dengan mengikuti panduan integrasi agen pengodean.
3. Telusuri katalog secara langsung di tokenlab.sh/en/models untuk melihat cakupan model dan metadata saat ini.
4. Periksa harga untuk model yang ingin Anda gunakan di tokenlab.sh/en/pricing.

Jika Anda memutuskan model mana yang sesuai dengan alur kerja Anda, lihat rincian kami tentang model AI terbaik untuk pengodean di 2026 dan harga API Gemini untuk pengembang.

Perlu diingat bahwa MCP benar-benar merupakan lapisan penemuan — MCP menampilkan metadata model, kemampuan, dan harga sehingga agen Anda dapat membuat keputusan yang tepat. Panggilan inferensi yang sebenarnya tetap melalui API TokenLab standar menggunakan kunci API Anda sendiri; MCP tidak merutekan atau memproksi permintaan.