Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

MCP und integrierte Werkzeuge kombinieren

Lektion 10 von 12 Aktualisiert am 29. Juli 2026 Entwickler
Auf dieser Seite
  1. Zwei Werkzeugfamilien, ein Katalog
  2. Mischen: nichts Neues zu lernen
  3. Orchestrierung erfolgt automatisch
  4. Zwei typische Zusammensetzungen
  5. Der versteckte Preis der Fülle
  6. Kernaussagen

Zwei Werkzeugfamilien, ein Katalog

MCP ist nicht der einzige Weg, um Grok Fähigkeiten zu verleihen. Die xAI API enthält integrierte Werkzeuge, sogenannte native Tools, die das Modell ohne Einbeziehung eines externen Servers aufrufen kann. Sie müssen sich nicht zwischen den beiden Familien entscheiden: Sie deklarieren sie an derselben Stelle und kombinieren sie frei in einer einzigen Konfiguration.

Vier native Tools decken die meisten Bedürfnisse ab.

  • Web-Suche: Echtzeit-Web-Suche
  • Code-Ausführung: Python-Code-Ausführung in einer Sandbox
  • Bildanalyse: Bildanalyse und Beschreibung
  • Dateiparsing: Lesen und Extrahieren von Dateiinhalten

Sie deklarieren sie im tools-Array allein nach Typ, ohne URL oder Label – was sinnvoll ist, da es keinen entfernten Server zu bezeichnen gibt.

Mischen: nichts Neues zu lernen

Die Syntax erfordert keinen speziellen Aufbau. Sie platzieren MCP-Objekte und native Objekte nebeneinander im selben 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"},
    ],
)

Die Responses API im OpenAI-Format folgt derselben Logik, wobei das MCP-Tool einfach seine typisierte Dictionary-Form annimmt.

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"},
    ],
)

Orchestrierung erfolgt automatisch

Aus Sicht des Modells bilden MCP und native Tools einen einzigen Katalog. Grok unterscheidet nicht zwischen einem Werkzeug, das über das Netzwerk zu einem Drittanbieter-Server geht, und einem, das von der xAI-Infrastruktur ausgeführt wird: Es sieht Fähigkeiten mit Namen und Beschreibungen und wählt diejenige aus, die die Antwort in jedem Schritt voranbringt.

Nehmen Sie die Abfrage „Vergleichen Sie die Routing-Konfiguration in Next.js mit aktuellen Best Practices”. Grok ruft zunächst deepwiki__search auf, um die Routing-Dokumentation im Next.js-Repository zu lesen, dann web_search, um aktuelle Artikel zu Best Practices zu finden, und fasst schließlich beide Quellen zu einer kohärenten Antwort zusammen. An keiner Stelle haben Sie diese Reihenfolge angegeben oder sogar festgelegt, dass diese beiden Werkzeuge zusammen verwendet werden sollen. Das Modell entscheidet allein die Sequenz, und Sie müssen keine Orchestrierungslogik schreiben.

Zwei typische Zusammensetzungen

Ein technischer Forschungsagent nutzt Referenzdokumentation, Webzugriff und Code-Verifizierungsfähigkeiten.

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"},
]

Dieses Trio ermöglicht es Ihnen, Projektdokumentation zu konsultieren, nach zusätzlichen Informationen im Internet zu suchen und anschließend Code auszuführen, um eine Lösung zu validieren, bevor Sie sie vorschlagen. Das dritte Werkzeug ändert die Natur der Antwort: Anstatt zu behaupten, dass ein Snippet funktioniert, validiert der Agent es.

Ein interner technischer Assistent folgt einer anderen Logik, bei der zwei private Server das Wissen des Unternehmens halten und das Web nur als Backup dient.

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"},
]

Der Assistent durchsucht die Wissensdatenbank, konsultiert verwandte Jira-Tickets und ergänzt mit einer Web-Suche, wenn Informationen intern fehlen. Beachten Sie die Einschränkung bei Jira, die auf schreibgeschützten Zugriff beschränkt ist: Ohne diese könnte eine bösartige Anweisung, die in den Körper eines Tickets geschlichen wurde, das Modell zu einer Schreiboperation verleiten.

Der versteckte Preis der Fülle

Jedes hinzugefügte Werkzeug, sei es MCP oder native, nimmt Platz im Kontextfenster ein, um seine Definition zu speichern. Eine großzügige Konfiguration kostet Sie daher verfügbaren Platz für Gespräche, Verarbeitungszeit und Selektionsgenauigkeit.

Drei Gewohnheiten reichen aus, um dies im Schach zu halten. Begrenzen Sie die Gesamtzahl der Werkzeuge und widerstehen Sie der Versuchung, fünf Server mit fünfzig Werkzeugen anzuschließen, wenn Ihr Anwendungsfall nur zehn benötigt. Verwenden Sie allowed_tool_names für jeden MCP-Server, um nur relevante Werkzeuge zu behalten. Und fügen Sie ein natives Werkzeug nicht „nur zur Sicherheit” hinzu: Wenn Ihr Agent keinen Grund hat, Code auszuführen, ist code_interpreter keine kostenlose Option, sondern verbrauchter Kontext und eine zusätzliche Gelegenheit, das falsche Werkzeug zu wählen.

Kernaussagen

  • MCP-Werkzeuge und native Werkzeuge (Web-Suche, Code-Ausführung) koexistieren im selben tools-Array
  • Grok orchestriert Aufrufe zwischen MCP- und nativen Werkzeugen automatisch basierend auf der Abfrage
  • Die Kombination ermöglicht es Ihnen, leistungsstarke Agenten zu erstellen, die sowohl interne Quellen (MCP) als auch externe Quellen (Web-Suche) nutzen
  • Begrenzen Sie die Gesamtzahl der Werkzeuge, um Kontext und Modellgenauigkeit zu erhalten
  • Verwenden Sie allowed_tool_names für jeden MCP-Server, um Rauschen zu reduzieren