Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Indbyggede værktøjer: web_search, x_search og mere

Lektion 9 af 14 Opdateret 29. juli 2026 Udvikler
På denne side
  1. Værktøjer, der betjener agenter
  2. web_search, motoren bag parallel research
  3. x_search, værktøjet som de andre ikke har
  4. code_execution, når du skal beregne frem for at læse
  5. collections_search, dine dokumenter i loopet
  6. Remote MCP, en dør ind i dine egne systemer
  7. Få værktøjer til at arbejde sammen
  8. Vigtige pointer

Værktøjer, der betjener agenter

Et agentteam uden værktøjer forbliver låst inde i det, som modellen har memoriseret under træningen. Hele værdien ved multi-agent-arbejde viser sig først, når disse agenter går ud og finder information i det øjeblik, du stiller spørgsmålet: parallelisering hjælper kun, hvis der er flere stier at udforske samtidigt. Grok giver dem fem indbyggede værktøjer, og hver agent beslutter selv, hvilke den skal bruge.

web_search, motoren bag parallel research

Web-søgning er det dominerende værktøj i multi-agent-arbejde og det, du vil aktivere i næsten alle dine forespørgsler.

from xai_sdk.tools import web_search

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
    tools=[web_search()],
)

Det, der ændrer sig her i forhold til en enkelt model, er, at hver agent kører sine egne forespørgsler. På et spørgsmål som „hvilken backup-løsning bør vi vælge til vores serverpark” vil én agent dykke ned i tekniske specifikationer, en anden i prissætning og en tredje i brugerfeedback på specialiserede fora. Med 16 agenter er web-dækningen slet ikke sammenlignelig med det, en sekventiel søgning kørt af en enkelt model kan opnå.

x_search, værktøjet som de andre ikke har

Søgning på X, tidligere Twitter, er specifik for Grok og giver adgang til indlæg, diskussioner og tendenser på platformen i realtid.

from xai_sdk.tools import web_search, x_search

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
    tools=[web_search(), x_search()],
)

Dets værdi kommer af et tidsmæssigt gab: Når en virksomhed annoncerer et produkt, dukker reaktionerne op på X inden for en time, mens dybdegående artikler tager flere dage. Du finder den umiddelbare reaktion på en annoncering, holdninger hos eksperter, der aldrig vil skrive en hel artikel, trending emner og tekniske diskussioner i udviklerfællesskaber. På et hurtigtbevægeligt emne giver kombinationen af web_search + x_search et billede, som ingen af dem kunne give alene.

code_execution, når du skal beregne frem for at læse

Kodeudførelse lader en agent skrive og køre Python for at analysere data, udføre beregninger eller producere visualiseringer.

from xai_sdk.tools import code_execution

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
    tools=[code_execution()],
)

Det typiske scenarie: En agent henter en CSV-fil, den har fundet under sin søgning, indlæser den, udleder statistik fra den og sender verificerede tal videre til lead-agenten i stedet for et indtryk baseret på læsning. En del af arbejdet flytter sig dermed fra fortolkning til beregning, hvilket betyder noget, så snart spørgsmålet involverer størrelsesordener.

collections_search, dine dokumenter i loopet

Dette værktøj lader agenter forespørge de dokumentsamlinger, du har indekseret hos xAI.

from xai_sdk.tools import collections_search

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
    tools=[collections_search()],
)

Det svarer til indbygget RAG: Agenter søger i dine egne dokumenter sideløbende med webbet, hvilket giver dig mulighed for at krydsreferere intern dokumentation med markedsforhold uden selv at skulle bygge hentepipelinen.

Remote MCP, en dør ind i dine egne systemer

Remote MCP-værktøjer udvider agenters kapaciteter med eksterne tjenester, du styrer. Hvis du eksponerer MCP-servere, bruger agenterne dem under deres research præcis som native værktøjer: forespørgsel i en intern database, kald til en forretnings-API eller adgang til et dokumenthåndteringssystem. Dette er den officielle udvidelsesmekanisme, og du vil se i næste lektion, at det også er svaret på en vigtig begrænsning ved multi-agent-arbejde.

Få værktøjer til at arbejde sammen

Den virkelige gevinst viser sig, når flere værktøjer er tilgængelige samtidigt, fordi opdelingen mellem agenter også bliver en opdeling mellem kilder.

from xai_sdk.tools import web_search, x_search, code_execution

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=16,
    tools=[web_search(), x_search(), code_execution()],
    include=["verbose_streaming"],
)

chat.append(user(
    "Analyze sentiment around NVIDIA's GPU announcements this week: "
    "press articles, reactions on X, and summarize the key figures"
))

Nogle agenter gennemgår så pressen, en anden gruppe analyserer indlæg på X, og en tredje aggregerer tallene via kode. Husk multiplikatoreffekten: Hvert værktøj, du åbner for seksten agenter, udvider dækningen og øger regningen tilsvarende. Åbn kun det, spørgsmålet kræver, ikke alt som standard.

Vigtige pointer

  • Fem indbyggede værktøjer: web_search, x_search, code_execution, collections_search, Remote MCP
  • Hver agent kan bruge ethvert værktøj uafhængigt af de andre
  • x_search er eksklusivt for Grok – realtidsadgang til X-indlæg
  • Kombiner værktøjer for mere komplet research
  • Flere agenter + flere værktøjer = bredere dækning, men højere token-forbrug