Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Apvieno MCP un iebūvētos rīkus

Nodarbība 10 no 12 Atjaunota 2026. gada 29. jūlijs Programmētājs
Šajā lapā
  1. Divas rīku saimes, viens katalogs
  2. To sajaukšana: nekas jauns jāapgūst
  3. Orķestrēšana notiek automātiski
  4. Divi tipiski salikumi
  5. Pārpilnības slēptās izmaksas
  6. Galvenās atziņas

Divas rīku saimes, viens katalogs

MCP nav vienīgais veids, kā piešķirt Grok jaunas spējas. xAI API piedāvā arī natīvus rīkus, ko dēvē par iebūvētajiem rīkiem; modeli tos var izsaukt, iesaistot tikai xAI infrastruktūru, bez ārēja servera. Tev nav jāizvēlas starp abām saimēm: tu tās deklarē vienā vietā un brīvi kombinē vienā konfigurācijā.

Četri natīvie rīki sedz lielāko daļu vajadzību.

  • Web search: meklēšana tiešsaistē reāllaikā
  • Code execution: Python koda izpilde smilškastē
  • Image analysis: attēlu analīze un aprakstīšana
  • File parsing: failu satura lasīšana un ekstrakcija

Tu tos deklarē masīvā tools, norādot tikai tipu, bez URL vai etiķetes — tas ir loģiski, jo nav attālināta servera, ko norādīt.

To sajaukšana: nekas jauns jāapgūst

Sintaksei nav nepieciešamas īpašas konstrukcijas. Tu vienkārši izvieto MCP objektus un natīvos objektus blakus vienā masīvā.

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=[
        # Attālināts MCP rīks
        mcp(
            server_url="https://mcp.deepwiki.com/mcp",
            server_label="deepwiki",
            server_description="Documentation for GitHub projects"
        ),
        # Natīvs rīks: web meklēšana
        {"type": "web_search"},
    ],
)

Atbilžu API OpenAI formātā seko tai pašai loģikai, kur MCP rīks vienkārši iegūst savu tipizētās vārdnīcas formu.

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"},
    ],
)

Orķestrēšana notiek automātiski

No modeļa skatpunkta MCP un natīvie rīki veido vienu kopīgu katalogu. Grok nešķiro, vai rīks dodas pāri tīklam uz trešās puses serveri vai tiek izpildīts xAI infrastruktūrā: tas redz tikai spējas ar nosaukumiem un aprakstiem un katrā solī izvēlas to, kas vislabāk virza atbildi uz priekšu.

Aplūko vaicājumu „salīdzini maršrutēšanas konfigurāciju Next.js ar pašreizējām labākajām praksēm”. Grok vispirms izsauc deepwiki__search, lai nolasītu maršrutēšanas dokumentāciju Next.js repozitorijā, tad web_search, lai atrastu jaunus rakstus par aktuālajām praksēm, un visbeidzot sintezē abus avotus vienotā atbildē. Tu nekur nenorādīji šo secību vai pat to, ka abi rīki būtu jāizmanto kopā. Modelis pats lemj par secību, un tev nav jāraksta nekāda orķestrēšanas loģika.

Divi tipiski salikumi

Tehniskās izpētes aģents izmanto atsauces dokumentāciju, piekļuvi tīmeklim un koda verificēšanas spējas.

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"},
]

Šis trio ļauj konsultēties ar projekta dokumentāciju, meklēt papildu informāciju tiešsaistē un pēc tam izpildīt kodu, lai validētu risinājumu pirms tā piedāvāšanas. Trešais rīks maina atbildes dabu: aģents nevis apgalvo, ka fragments strādā, bet gan to pārbauda.

Iekšējais tehniskais asistents seko citai loģikai, kur divi privāti serveri glabā uzņēmuma zināšanas, bet tīmeklis kalpo tikai kā rezerves variants.

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"},
]

Asistents meklē zināšanu bāzē, konsultējas ar saistītajiem Jira biļeteniem un papildina ar tīmekļa meklēšanu, ja informācijas uzņēmuma iekšienē trūkst. Ņem vērā ierobežojumu attiecībā uz Jira, kas aprobežojas tikai ar lasīšanas piekļuvi: bez tā ļaunprātīga instrukcija, ievietota biļetena saturā, varētu pamudināt modeli veikt rakstīšanas operāciju.

Pārpilnības slēptās izmaksas

Katrs pievienotais rīks, vai tas būtu MCP vai natīvs, aizņem vietu konteksta logā, lai saglabātu tā definīciju. Tāpēc dāsna konfigurācija tev izmaksā pieejamo vietu sarunai, apstrādes laiku un atlases precizitāti.

Trīs ieradumi ir pietiekami, lai to kontrolētu. Ierobežo kopējo rīku skaitu un pretojies kārdinājumam pieslēgt piecus serverus ar piecdesmit rīkiem, ja tava lietojuma gadījuma vajadzībām pietiek ar desmit. Katram MCP serverim piemēro allowed_tool_names, lai paturētu tikai atbilstošos rīkus. Un nepievieno natīvu rīku „gadījumam”: ja tavam aģentam nav iemesla izpildīt kodu, code_interpreter nav bezmaksas opcija; tas patērē kontekstu un rada papildu iespēju izvēlēties nepareizo rīku.

Galvenās atziņas

  • MCP rīki un natīvie rīki (web meklēšana, koda izpilde) līdzās pastāv vienā masīvā tools
  • Grok automātiski orķestrē izsaukumus starp MCP un natīvajiem rīkiem, balstoties uz vaicājumu
  • Kombinācija ļauj izveidot spēcīgus aģentus, kas izmanto gan iekšējos avotus (MCP), gan ārējos avotus (web meklēšana)
  • Ierobežo kopējo rīku skaitu, lai saglabātu kontekstu un modeļa precizitāti
  • Katram MCP serverim izmanto allowed_tool_names, lai samazinātu troksni