Eingebaute Werkzeuge: web_search, x_search und mehr
Auf dieser Seite
- Werkzeuge, die Agenten dienen
- web_search, der Motor hinter paralleler Forschung
- x_search, das Werkzeug, das die anderen nicht haben
- code_execution, wenn Sie berechnen müssen, statt zu lesen
- collections_search, Ihre Dokumente im Kreislauf
- Remote MCP, ein Tor zu Ihren eigenen Systemen
- Werkzeuge zusammenarbeiten lassen
- Kernaussagen
Werkzeuge, die Agenten dienen
Ein Agententeam ohne Werkzeuge bleibt auf das beschränkt, was das Modell während des Trainings memorisiert hat. Der gesamte Mehrwert von Multi-Agenten-Arbeit zeigt sich erst, wenn diese Agenten Informationen suchen, genau dann, wenn Sie die Frage stellen: Parallelisierung hilft nur dann, wenn es mehrere Pfade gibt, die gleichzeitig erkundet werden können. Grok stellt fünf eingebaute Werkzeuge zur Verfügung, und jeder Agent entscheidet eigenständig, welche davon er nutzt.
web_search, der Motor hinter paralleler Forschung
Die Websuche ist das dominierende Werkzeug in der Multi-Agenten-Arbeit; das ist das Werkzeug, das Sie in fast allen Anfragen aktivieren werden.
from xai_sdk.tools import web_search
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
tools=[web_search()],
)
Der Unterschied zu einem einzelnen Modell besteht darin, dass jeder Agent seine eigenen Abfragen durchführt. Bei einer Frage wie „Welche Backup-Lösung sollten wir für unseren Serverpark wählen?” wird ein Agent in technische Spezifikationen eintauchen, ein anderer in Preisinformationen und ein dritter in Benutzerfeedback auf spezialisierten Foren. Mit 16 Agenten ist die Abdeckung des Webs nichts, was eine sequenzielle Suche durch ein einzelnes Modell erreichen könnte.
x_search, das Werkzeug, das die anderen nicht haben
Die Suche auf X, ehemals Twitter, ist spezifisch für Grok und bietet Zugriff auf Beiträge, Diskussionen und Trends auf der Plattform in Echtzeit.
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()],
)
Ihr Wert ergibt sich aus einem Zeitfenster: Wenn ein Unternehmen ein Produkt ankündigt, erscheinen Reaktionen auf X innerhalb einer Stunde, während detaillierte Artikel mehrere Tage benötigen. Sie finden die unmittelbare Reaktion auf eine Ankündigung, die Positionen von Experten, die niemals einen vollständigen Artikel schreiben werden, trending Topics sowie technische Diskussionen in Entwickler-Communities. Bei einem sich schnell entwickelnden Thema erzeugt die Kombination aus web_search + x_search ein Bild, das keines der beiden Werkzeuge allein liefern würde.
code_execution, wenn Sie berechnen müssen, statt zu lesen
Die Code-Ausführung ermöglicht es einem Agenten, Python zu schreiben und auszuführen, um Daten zu analysieren, Berechnungen durchzuführen oder Visualisierungen zu erstellen.
from xai_sdk.tools import code_execution
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
tools=[code_execution()],
)
Der typische Szenario: Ein Agent holt eine CSV-Datei, die während seiner Suche gefunden wurde, lädt sie, leitet Statistiken daraus ab und überträgt verifizierte Zahlen an den Leitagenten anstatt eines Eindrucks aus dem Lesen. Ein Teil der Arbeit verschiebt sich somit von der Interpretation zur Berechnung, was dann relevant wird, sobald die Frage Größenordnungen betrifft.
collections_search, Ihre Dokumente im Kreislauf
Dieses Werkzeug ermöglicht es Agenten, die Dokumentensammlungen abzufragen, die Sie bei xAI indiziert haben.
from xai_sdk.tools import collections_search
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
tools=[collections_search()],
)
Es ist das Äquivalent zu eingebautem RAG: Agenten durchsuchen Ihre eigenen Dokumente parallel zum Web, was es Ihnen ermöglicht, interne Dokumentation mit Marktbedingungen abzugleichen, ohne die Abruf-Pipeline selbst zu erstellen.
Remote MCP, ein Tor zu Ihren eigenen Systemen
Remote-MCP-Werkzeuge erweitern die Fähigkeiten der Agenten mit externen Diensten, die Sie kontrollieren. Wenn Sie MCP-Server auslagern, nutzen Agenten diese während ihrer Forschung genau wie native Werkzeuge: Abfragen einer internen Datenbank, Aufruf einer Business-API, Erreichen eines Dokumentenmanagementsystems. Dies ist der offizielle Erweiterungsmechanismus, und Sie werden in der nächsten Lektion sehen, dass dies auch die Antwort auf eine wichtige Einschränkung der Multi-Agenten-Arbeit ist.
Werkzeuge zusammenarbeiten lassen
Der echte Gewinn zeigt sich, wenn mehrere Werkzeuge gleichzeitig verfügbar sind, weil die Aufteilung der Agenten dann auch eine Aufteilung der Quellen darstellt.
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"
))
Einige Agenten prüfen dann die Presse, eine andere Gruppe analysiert Beiträge auf X, und eine dritte aggregiert die Zahlen durch Code. Halten Sie den Multiplikatoreffekt im Sinn: Jedes Werkzeug, das Sie für sechzehn Agenten öffnen, erweitert die Abdeckung und erhöht die Rechnung entsprechend. Öffnen Sie nur das, was die Frage benötigt, nicht alles standardmäßig.
Kernaussagen
- Fünf eingebaute Werkzeuge:
web_search,x_search,code_execution,collections_search, Remote MCP - Jeder Agent kann jedes Werkzeug unabhängig von den anderen nutzen
x_searchist exklusiv für Grok – Echtzeit-Zugriff auf X-Beiträge- Kombinieren Sie Werkzeuge für eine umfassendere Forschung
- Mehr Agenten + mehr Werkzeuge = breitere Abdeckung, aber höherer Tokenverbrauch