Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Kombinér MCP og indbyggede værktøjer

Lektion 10 af 12 Opdateret 29. juli 2026 Udvikler
På denne side
  1. To værktøjsfamilier, én katalog
  2. Blanding af dem: intet ekstra at lære
  3. Orkestrering sker automatisk
  4. To typiske sammensætninger
  5. Den skjulte omkostning ved overflod
  6. Vigtige pointer

To værktøjsfamilier, én katalog

MCP er ikke den eneste måde at give Grok nye evner på. xAI-API’en indeholder native værktøjer, kaldet indbyggede værktøjer, som modellen kan kalde uden at involvere nogen ekstern server. Du behøver ikke vælge mellem de to familier: du erklærer dem på samme sted og kombinerer dem frit i én enkelt konfiguration.

Fire native værktøjer dækker de fleste behov.

  • Web search: realtidssøgning på nettet
  • Code execution: kørsel af Python-kode i en sandbox
  • Image analysis: analyse og beskrivelse af billeder
  • File parsing: læsning og udtrækning af filindhold

Du erklærer dem i tools-arrayet alene ved hjælp af typen, uden URL eller label – hvilket giver mening, da der ikke er nogen fjernserver at pege på.

Blanding af dem: intet ekstra at lære

Syntaksen kræver ingen speciel opbygning. Du placerer MCP-objekter og native objekter side om side i samme array.

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=[
        # Remote MCP tool
        mcp(
            server_url="https://mcp.deepwiki.com/mcp",
            server_label="deepwiki",
            server_description="Documentation for GitHub projects"
        ),
        # Native tool: web search
        {"type": "web_search"},
    ],
)

Responses API’en i OpenAI-format følger samme logik, hvor MCP-værktøjet blot antager sin typede ordbogsform.

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"},
    ],
)

Orkestrering sker automatisk

Set fra modellens perspektiv danner MCP og native værktøjer én samlet katalog. Grok skelner ikke mellem et værktøj, der går over netværket til en tredjepartsserver, og et der udføres af xAI-infrastrukturen: den ser evner med navne og beskrivelser og vælger den, der fremmer svaret i hvert trin.

Tag forespørgslen „sammenlign routing-konfigurationen i Next.js med nuværende bedste praksis”. Grok kalder først deepwiki__search for at læse routing-dokumentationen i Next.js-repositoriet, derefter web_search for at finde recente artikler om nuværende praksis, og syntetiserer til sidst begge kilder til et sammenhængende svar. På intet tidspunkt specificerede du denne rækkefølge, eller endda at disse to værktøjer skulle bruges sammen. Modellen beslutter sekvensen alene, og du har ingen orkestreringslogik at skrive.

To typiske sammensætninger

En teknisk research-agent udnytter referencedokumentation, webadgang og kodeverifikations-evner.

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"},
]

Denne trio lader dig konsultere projektdokumentation, søge efter yderligere information online og derefter eksekvere kode for at validere en løsning, før du foreslår den. Det tredje værktøj ændrer karakteren af svaret: i stedet for at hævde, at et kodeudsnit virker, verificerer agenten det.

En intern teknisk assistent følger en anden logik, hvor to private servere indeholder virksomhedens viden, og nettet kun tjener som backup.

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"},
]

Assistenten søger i vidensbasen, konsulterer relaterede Jira-billetter og supplerer med en websøgning, hvis information mangler internt. Bemærk begrænsningen på Jira, der er begrænset til skrivebeskyttet adgang: uden den kunne en ondsindet instruktion, der sniger sig ind i kroppen af en billet, presse modellen mod en skriveoperation.

Den skjulte omkostning ved overflod

Hvert tilføjet værktøj, uanset om det er MCP eller native, optager plads i kontekstvinduet for at gemme sin definition. En generøs konfiguration koster dig derfor i tilgængelig plads til samtale, behandlingstid og udvælgelsesnøjagtighed.

Tre vaner er nok til at holde dette i skak. Begræns det samlede antal værktøjer, og modstå fristelsen til at forbinde fem servere med halvtreds værktøjer, når dit brugstilfælde kræver ti. Anvend allowed_tool_names på hver MCP-server for kun at beholde relevante værktøjer. Og tilføj ikke et native værktøj „bare for en sikkerheds skyld”: hvis din agent ingen grund har til at eksekvere kode, er code_interpreter ikke en gratis option; det er forbrugt kontekst og en yderligere mulighed for at vælge det forkerte værktøj.

Vigtige pointer

  • MCP-værktøjer og native værktøjer (websøgning, kodeeksekvering) sameksisterer i samme tools-array
  • Grok orkestrerer automatisk kald mellem MCP og native værktøjer baseret på forespørgslen
  • Kombinationen lader dig skabe kraftfulde agenter, der udnytter både interne kilder (MCP) og eksterne kilder (websøgning)
  • Begræns det samlede antal værktøjer for at bevare kontekst og modelnøjagtighed
  • Brug allowed_tool_names for hver MCP-server for at reducere støj