Blanding af server- og klientværktøjer
På denne side
To kategorier af værktøjer på samme platform
Grok API skelner mellem to fundamentalt forskellige værktøjstyper baseret på eksekvering. Det er afgørende at forstå denne forskel for at kunne designe robuste arkitekturer.
Indbyggede værktøjer (server-side)
xAI eksekverer disse værktøjer automatisk på deres servere. Du behøver ikke styre noget – ingen lokal eksekvering, ingen videresendelse af resultater. Modellen kalder dem og modtager resultaterne direkte.
| Værktøj | Identifikator | Beskrivelse |
|---|---|---|
| Web Search | web_search | Realtidssøgning på nettet |
| X Search | x_search | Søgning på X/Twitter |
| Code Interpreter | code_interpreter | Sandboxet Python-eksekvering |
| Collections Search | collections_search | Søgning i dine uploadede dokumenter |
| Remote MCP | mcp | Forbindelse til eksterne MCP-servere |
Brugerdefinerede funktioner (klient-side)
Dette er dine egne funktioner, defineret via function calling. Modellen returnerer et tool_call, din kode eksekverer funktionen, og du sender resultatet tilbage. Dette er den mekanisme, du lærte i tidligere lektioner.
Kombination af begge i en enkelt anmodning
Styrken ved Grok API ligger i muligheden for at blande server- og klientværktøjer i en enkelt anmodning:
tools = [
# Serverværktøj — eksekveres automatisk af xAI
{"type": "web_search"},
# Klientværktøj — eksekveres af din kode
{
"type": "function",
"function": {
"name": "save_to_database",
"description": "Gem information i databasen",
"parameters": {
"type": "object",
"properties": {
"key": {"type": "string"},
"value": {"type": "string"}
},
"required": ["key", "value"]
}
}
}
]
Når modellen modtager denne anmodning, kan den:
- Bruge
web_searchtil at finde information (automatisk server-side eksekvering) - Kalde
save_to_databasefor at gemme resultatet (returnerer til klienten)
Det hybride flow
Adfærden afhænger af værktøjstypen:
- Serverværktøj: Modellen kalder værktøjet, xAI eksekverer det, resultatet integreres automatisk, og modellen fortsætter.
- Klientværktøj: Modellen returnerer
tool_calltil klienten, eksekveringen stopper og genoptages først, når du sender resultatet tilbage.
Når modellen bruger begge typer i samme anmodning, eksekveres serverværktøjer først (uden din indblanding). Hvis modellen derefter også har brug for et klientværktøj, returnerer den tool_call til dig med resultaterne fra serverværktøjerne allerede integreret i sin kontekst.
Eksempler fra virkeligheden
Websøgning + forretningslogik
# Bruger spørger: "Find Bitcoin-prisen og gem den"
# Modellen:
# 1. Kalder web_search for at finde prisen (server-side, automatisk)
# 2. Kalder save_price(symbol="BTC", price=68432) (klient-side)
X-søgning + notifikation
# "Giv mig besked om tweets om vores produkt siden i går"
# Modellen:
# 1. Kalder x_search for at finde tweets (server-side)
# 2. Kalder send_notification(count=12, summary="...") (klient-side)
Code Interpreter + lagring
# "Beregn gennemsnittet af disse data og gem resultatet"
# Modellen:
# 1. Kalder code_interpreter til beregningen (server-side)
# 2. Kalder save_result(key="avg", value="42.5") (klient-side)
Fakturering af serverværktøjer
Indbyggede værktøjer faktureres på to måder:
- Tokens: Standardforbrug (input + output)
- Invokationer: Fast omkostning pr. værktøjskald
Modellen kan kalde flere serverværktøjer for en enkelt anmodning – omkostningerne lægges sammen. Husk dette, når du aktiverer web_search: Modellen kan udføre flere søgninger for at forfine sine resultater.
Vigtige pointer
- To værktøjstyper: server (automatisk) og klient (function calling)
- Serverværktøjer (
web_search,x_search,code_interpreter) eksekveres uden din indblanding - Du kan blande begge typer i en enkelt anmodning
- Serverværktøjer eksekveres først, hvorefter modellen kan kalde dine funktioner
- Hver invokation af et serverværktøj faktureres (tokens + omkostning pr. kald)
- Citater genereres automatisk for data fra serverværktøjer