Konfiguration af flere servere
På denne side
Flere kilder, én agent
Remote MCP udnytter sit fulde potentiale, når du forbinder Grok til flere servere samtidig. Hver server bidrager med sine egne værktøjer, og modellen træffer afgørelse mellem dem baseret på den indkommende forespørgsel. Det er netop dette, der adskiller en agent, der kun kan én ting, fra en agent, der kan gennemføre en undersøgelse: at tjekke en servicestatus, derefter en kundehistorik og derefter en fejlfindingsartikel, uden at du behøver at skrive en eneste linje orchestreringskode.
Syntaks: intet nyt, blot flere poster
Der findes ingen særlig “multi-server”-tilstand, du skal aktivere. Du tilføjer blot flere MCP-objekter til listen tools.
from xai_sdk.tools import mcp
tools = [
mcp(server_url="https://mcp.deepwiki.com/mcp", server_label="deepwiki"),
mcp(server_url="https://your-custom-tools.com/mcp", server_label="custom"),
mcp(server_url="https://api.example.com/tools", server_label="api-tools"),
]
Det samme princip gælder for Responses API i OpenAI-format, hvor hver server bliver til et dictionary i listen. I denne version tilføjes beskrivelser, som du vil se, ikke længere er valgfrie, så snart du bruger mere end én server.
tools = [
{
"type": "mcp",
"server_url": "https://mcp.deepwiki.com/mcp",
"server_label": "deepwiki",
"server_description": "Dokumentation for GitHub open-source-projekter"
},
{
"type": "mcp",
"server_url": "https://your-custom-tools.com/mcp",
"server_label": "custom",
"server_description": "Interne virksomhedsværktøjer"
},
{
"type": "mcp",
"server_url": "https://api.example.com/tools",
"server_label": "api-tools",
"server_description": "API til data og analyse"
},
]
Labels bliver strukturelle
server_label, som hidtil blot har været en hjælp til læsbarhed, bliver essentiel her. Tag et meget almindeligt scenarie: du forbinder din interne dokumentation og DeepWiki, og begge eksponerer et værktøj ved navn search. Uden distinkte labels vil to værktøjer bære samme navn, og Grok har ingen måde at vælge mellem dem på. Med labels vil deepwiki__search spørge GitHub-dokumentationen, mens internal-docs__search søger i din vidensbase – to klart adskilte værktøjer, som modellen vælger imellem baseret på beskrivelser og samtaleforløbet.
Tre regler er nok til aldrig at støde på problemer. Hvert label skal være unikt i konfigurationen. Det skal afspejle datakilden snarere end den tekniske funktion, fordi oprindelsen er det, der adskiller servere fra hinanden, ikke hvad de gør. Og det skal forblive kort uden at blive udskifteligt. Kontrasten nedenfor illustrerer kløften mellem de to tilgange:
# Godt: beskrivende og distinkte labels
server_label="deepwiki"
server_label="crm"
server_label="jira"
# Dårligt: tvetydige labels
server_label="server1"
server_label="server2"
server_label="tools"
Labelsene i den anden serie er en latent fælde. De virker den dag, du skriver dem, fordi du ved, hvad server1 indeholder. Seks måneder senere, når du genlæser en incident-log, ved ingen længere noget – og modellen har på sin side aldrig vidst det.
Hvordan Grok vælger en server
Når modellen står over for flere servere, krydsrefererer den fire informationskilder for at træffe sin beslutning. Den starter med brugerforespørgslen, altså det, der faktisk bliver spurgt om. Derefter konsulterer den server_description for hver server, hvilket fortæller den, hvad hver enkelt overordnet set bruges til. Den går et niveau ned til navnene og beskrivelserne af selve værktøjerne, da hvert værktøj bærer sine egne. Og den tager samtalekonteksten i betragtning, da tidligere beskeder påvirker valget: Hvis kunden allerede har opgivet sit kontonummer tre vendinger tidligere, ved Grok, at den kan kalde crm__get_customer uden at spørge igen.
Af disse fire kilder er den anden den, du har mest kontrol over, og det er præcis derfor, beskrivelser bliver kritiske i multi-server-tilstand. Uden beskrivelser falder Grok tilbage på udelukkende at bruge værktøjsnavne – et search over for et andet search, uden nogen indikation af, hvad de indekserer. De selectionsfejl, der følger af dette, bliver desto mere forvirrende, fordi de virker tilfældige: Modellen vælger korrekt halvdelen af gangene, rent heldigt.
En end-to-end supportagent
Denne konfiguration samler alt ovenstående i et komplet brugstilfælde.
tools = [
mcp(
server_url="https://kb.monentreprise.com/mcp",
server_label="knowledge",
server_description="Produktvidensbase. Hjælpeartikler, FAQ, fejlfindingsguider.",
allowed_tool_names=["search_articles", "get_article"]
),
mcp(
server_url="https://crm.monentreprise.com/mcp",
server_label="crm",
server_description="CRM. Kundehistorik, tidligere tickets, kontooplysninger.",
authorization=f"Bearer {os.getenv('CRM_TOKEN')}",
allowed_tool_names=["get_customer", "search_tickets", "get_ticket"]
),
mcp(
server_url="https://status.monentreprise.com/mcp",
server_label="status",
server_description="Servicestatus. Igangværende incidenter, planlagt vedligeholdelse.",
allowed_tool_names=["get_current_status", "list_incidents"]
),
]
En kunde skriver „min service virker ikke længere”. Grok tjekker først, om der er en igangværende incident via status__get_current_status, konsulterer kundens konto med crm__get_customer for at vide, hvilken service det drejer sig om, og søger derefter efter en fejlfindingsartikel via knowledge__search_articles. Denne sekvens er ikke skrevet nogen steder i din kode; den udspringer af beskrivelserne og det stillede spørgsmål. Bemærk også, at hver server forbliver begrænset til sine læseoperationer – kraften ved multi-server eliminerer aldrig behovet for en allowlist.
Vigtige pointer
- Send flere MCP-objekter i listen
toolsfor at opnå multi-server - Hver server skal have et unikt og beskrivende
server_label - Værdier for
server_descriptioner essentielle for at lede Grok til den rigtige server - Grok vælger automatisk den passende server baseret på forespørgslen og konteksten
- Begræns hver servers værktøjer med
allowed_tool_namesfor at begrænse støj