Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Kombinace MCP a vestavěných nástrojů

Lekce 10 z 12 Aktualizováno 29. července 2026 Vývojář
Na této stránce
  1. Dvě rodiny nástrojů, jeden katalog
  2. Míchání: nic nového se neučíš
  3. Orchestrování probíhá automaticky
  4. Dvě typické kompozice
  5. Skryté náklady hojnosti
  6. Klíčové poznatky

Dvě rodiny nástrojů, jeden katalog

MCP není jediný způsob, jak poskytnout modelu Grok nové schopnosti. Rozhraní API xAI zahrnuje nativní nástroje, nazývané vestavěné nástroje (built-in tools), které model využívá bez nutnosti komunikace s externím serverem. Nemusíš si vybírat mezi těmito dvěma rodinami: deklaruješ je na stejném místě a svobodně je kombinuješ v jedné konfiguraci.

Čtyři nativní nástroje pokrývají většinu potřeb.

  • Web search: vyhledávání na webu v reálném čase
  • Code execution: spouštění kódu Python v izolovaném prostředí (sandbox)
  • Image analysis: analýza a popis obrázků
  • File parsing: čtení a extrakce obsahu souborů

Deklaruješ je v poli tools pouze pomocí typu, bez URL nebo štítku – což dává smysl, protože není třeba určovat žádný vzdálený server.

Míchání: nic nového se neučíš

Syntaxe nevyžaduje žádnou speciální konstrukci. Objekty MCP a nativní objekty umístíš vedle sebe do stejného pole.

from xai_sdk import Client
from xai_sdk.tools import mcp

client = Client(api_key=os.getenv("XAI_API_KEY"))

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[
        # Vzdálený nástroj MCP
        mcp(
            server_url="https://mcp.deepwiki.com/mcp",
            server_label="deepwiki",
            server_description="Documentation for GitHub projects"
        ),
        # Nativní nástroj: vyhledávání na webu
        {"type": "web_search"},
    ],
)

Rozhraní Responses API ve formátu OpenAI funguje na stejném principu, přičemž nástroj MCP pouze přijímá svou typizovanou slovníkovou formu.

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input=[{"role": "user", "content": "Compare React and Vue based on the official docs and current trends"}],
    tools=[
        {
            "type": "mcp",
            "server_url": "https://mcp.deepwiki.com/mcp",
            "server_label": "deepwiki"
        },
        {"type": "web_search"},
    ],
)

Orchestrování probíhá automaticky

Z pohledu modelu tvoří nástroje MCP a nativní nástroje jediný katalog. Grok nerozlišuje mezi nástrojem, který komunikuje přes síť se serverem třetí strany, a nástrojem spuštěným infrastrukturou xAI: vidí pouze schopnosti s názvy a popisy a vybírá tu, která v daném kroku nejlépe posune odpověď kupředu.

Vezmi si dotaz „porovnej konfiguraci směrování v Next.js se současnými osvědčenými postupy“. Grok nejprve zavolá deepwiki__search, aby přečetl dokumentaci ke směrování v repozitáři Next.js, poté použije web_search k nalezení nedávných článků o aktuálních postupech a nakonec syntetizuje oba zdroje do ucelené odpovědi. V žádném okamžiku jsi neurčil toto pořadí, ani to, že by se tyto dva nástroje měly používat společně. Sekvenci určuje výhradně model a ty nemusíš psát žádnou logiku pro orchestrování.

Dvě typické kompozice

Technický výzkumný agent využívá referenční dokumentaci, přístup na web a možnosti ověření kódu.

tools = [
    mcp(
        server_url="https://mcp.deepwiki.com/mcp",
        server_label="deepwiki",
        server_description="Documentation and source code for GitHub projects"
    ),
    {"type": "web_search"},
    {"type": "code_interpreter"},
]

Tato trojice ti umožňuje konzultovat dokumentaci projektu, vyhledávat další informace online a následně spustit kód pro ověření řešení před jeho navržením. Třetí nástroj mění povahu odpovědi: místo aby agent pouze tvrdil, že úryvek kódu funguje, ve skutečnosti to ověří.

Interní technický asistent se řídí jinou logikou, kde dva soukromé servery uchovávají firemní znalosti a web slouží pouze jako záloha.

tools = [
    mcp(
        server_url="https://kb.monentreprise.com/mcp",
        server_label="kb",
        server_description="Internal knowledge base",
        authorization=f"Bearer {os.getenv('KB_TOKEN')}"
    ),
    mcp(
        server_url="https://jira.monentreprise.com/mcp",
        server_label="jira",
        server_description="Jira tickets and projects",
        authorization=f"Bearer {os.getenv('JIRA_TOKEN')}",
        allowed_tool_names=["search_issues", "get_issue"]
    ),
    {"type": "web_search"},
]

Asistent prohledává znalostní bázi, konzultuje související ticket v Jira a v případě chybějících interních informací doplní údaje vyhledáním na webu. Všimni si omezení u Jira, které je nastaveno pouze na přístup pro čtení: bez něj by pokyn vložený do těla ticketu mohl model navést k operaci zápisu.

Skryté náklady hojnosti

Každý přidaný nástroj, ať už MCP nebo nativní, zabírá místo v kontextovém okně pro uložení své definice. Štědrá konfigurace tě tedy stojí dostupné místo pro konverzaci, čas zpracování a přesnost výběru.

K udržení tohoto pod kontrolou stačí tři návyky. Omez celkový počet nástrojů a odolávej pokušení připojit pět serverů s padesáti nástroji, když tvůj případ použití vyžaduje deset. Na každém serveru MCP aplikuj allowed_tool_names, aby sis ponechal pouze relevantní nástroje. A nepřidávej nativní nástroj „pro jistotu“: pokud tvůj agent nemá důvod spouštět kód, code_interpreter není bezplatná možnost, ale spotřebovává kontext a vytváří další příležitost k výběru špatného nástroje.

Klíčové poznatky

  • Nástroje MCP a nativní nástroje (vyhledávání na webu, spouštění kódu) koexistují ve stejném poli tools
  • Grok automaticky orchestruje volání mezi nástroji MCP a nativními nástroji na základě dotazu
  • Kombinace umožňuje vytvářet výkonné agenty, které využívají jak interní zdroje (MCP), tak externí zdroje (vyhledávání na webu)
  • Omez celkový počet nástrojů, abys zachoval kontext a přesnost modelu
  • Pro každý server MCP použij allowed_tool_names k omezení šumu