Ir al contenido principal
Español— Elegir un idioma
Menú

Combinar MCP y herramientas integradas

Lección 10 de 12 Actualizado el 29 de julio de 2026 Desarrollador
En esta página
  1. Dos familias de herramientas, un único catálogo
  2. Mezclarlas: nada nuevo que aprender
  3. La orquestación ocurre automáticamente
  4. Dos composiciones típicas
  5. El coste oculto de la abundancia
  6. Puntos clave

MCP no es la única forma de dotar de capacidades a Grok. La API de xAI incluye herramientas nativas, denominadas herramientas integradas (built-in tools), que el modelo puede invocar sin necesidad de implicar a ningún servidor externo. No tienes que elegir entre ambas familias: las declaras en el mismo lugar y las combinas libremente en una única configuración.

Cuatro herramientas nativas cubren la mayoría de las necesidades.

  • Búsqueda web: búsqueda en la web en tiempo real
  • Ejecución de código: ejecución de código Python en un entorno aislado (sandbox)
  • Análisis de imágenes: análisis y descripción de imágenes
  • Análisis de archivos: lectura y extracción de contenido de archivos

Las declaras en el array tools únicamente por su tipo, sin URL ni etiqueta, lo cual tiene sentido dado que no hay ningún servidor remoto que designar.

Mezclarlas: nada nuevo que aprender

La sintaxis no requiere ninguna construcción especial. Colocas los objetos MCP y los objetos nativos uno al lado del otro en el mismo 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=[
        # Herramienta MCP remota
        mcp(
            server_url="https://mcp.deepwiki.com/mcp",
            server_label="deepwiki",
            server_description="Documentación para proyectos de GitHub"
        ),
        # Herramienta nativa: búsqueda web
        {"type": "web_search"},
    ],
)

La API de Responses en formato OpenAI sigue la misma lógica, donde la herramienta MCP simplemente adopta su forma de diccionario tipado.

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input=[{"role": "user", "content": "Compara React y Vue basándote en la documentación oficial y las tendencias actuales"}],
    tools=[
        {
            "type": "mcp",
            "server_url": "https://mcp.deepwiki.com/mcp",
            "server_label": "deepwiki"
        },
        {"type": "web_search"},
    ],
)

La orquestación ocurre automáticamente

Desde la perspectiva del modelo, las herramientas MCP y las nativas forman un único catálogo. Grok no distingue entre una herramienta que viaja por la red hasta un servidor de terceros y otra ejecutada por la infraestructura de xAI: ve capacidades, con nombres y descripciones, y selecciona la que haga avanzar la respuesta en cada paso.

Toma la consulta «compara la configuración de enrutamiento en Next.js con las mejores prácticas actuales». Grok llama primero a deepwiki__search para leer la documentación de enrutamiento en el repositorio de Next.js, luego a web_search para encontrar artículos recientes sobre prácticas actuales y, finalmente, sintetiza ambas fuentes en una respuesta coherente. En ningún momento especificaste este orden, ni siquiera que debían usarse juntas estas dos herramientas. El modelo decide la secuencia por sí solo y tú no tienes que escribir ninguna lógica de orquestación.

Dos composiciones típicas

Un agente de investigación técnica aprovecha la documentación de referencia, el acceso a la web y las capacidades de verificación de código.

tools = [
    mcp(
        server_url="https://mcp.deepwiki.com/mcp",
        server_label="deepwiki",
        server_description="Documentación y código fuente para proyectos de GitHub"
    ),
    {"type": "web_search"},
    {"type": "code_interpreter"},
]

Este trío te permite consultar la documentación del proyecto, buscar información adicional en línea y, a continuación, ejecutar código para validar una solución antes de proponerla. La tercera herramienta cambia la naturaleza de la respuesta: en lugar de afirmar que un fragmento de código funciona, el agente lo verifica.

Un asistente técnico interno sigue una lógica diferente, donde dos servidores privados albergan el conocimiento de la empresa y la web sirve solo como respaldo.

tools = [
    mcp(
        server_url="https://kb.monentreprise.com/mcp",
        server_label="kb",
        server_description="Base de conocimientos interna",
        authorization=f"Bearer {os.getenv('KB_TOKEN')}"
    ),
    mcp(
        server_url="https://jira.monentreprise.com/mcp",
        server_label="jira",
        server_description="Tickets y proyectos de Jira",
        authorization=f"Bearer {os.getenv('JIRA_TOKEN')}",
        allowed_tool_names=["search_issues", "get_issue"]
    ),
    {"type": "web_search"},
]

El asistente busca en la base de conocimientos, consulta los tickets de Jira relacionados y complementa con una búsqueda web si falta información internamente. Observa la restricción en Jira, limitada a acceso de solo lectura: sin ella, una instrucción maliciosa introducida en el cuerpo de un ticket podría empujar al modelo hacia una operación de escritura.

El coste oculto de la abundancia

Cada herramienta añadida, sea MCP o nativa, ocupa espacio en la ventana de contexto para almacenar su definición. Una configuración generosa te cuesta, por tanto, espacio disponible para la conversación, tiempo de procesamiento y precisión en la selección.

Tres hábitos bastan para mantener esto bajo control. Limita el número total de herramientas y resiste la tentación de conectar cinco servidores con cincuenta herramientas cuando tu caso de uso requiere diez. Aplica allowed_tool_names en cada servidor MCP para conservar solo las herramientas relevantes. Y no añadas una herramienta nativa «por si acaso»: si tu agente no tiene motivo para ejecutar código, code_interpreter no es una opción gratuita; consume contexto y supone una oportunidad adicional de elegir la herramienta incorrecta.

Puntos clave

  • Las herramientas MCP y las nativas (búsqueda web, ejecución de código) coexisten en el mismo array tools
  • Grok orquesta automáticamente las llamadas entre herramientas MCP y nativas en función de la consulta
  • La combinación permite crear agentes potentes que aprovechan tanto fuentes internas (MCP) como externas (búsqueda web)
  • Limita el número total de herramientas para preservar el contexto y la precisión del modelo
  • Usa allowed_tool_names para cada servidor MCP para reducir el ruido