Przejdź do głównej treści
Polski— Wybierz język
Menu

Narzędzia wbudowane: web_search, x_search i inne

Lekcja 9 z 14 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Narzędzia obsługujące agentów
  2. web_search, silnik równoległych badań
  3. x_search, narzędzie niedostępne dla innych
  4. code_execution, gdy trzeba liczyć, a nie czytać
  5. collections_search, Twoje dokumenty w pętli
  6. Zdalne MCP, brama do Twoich systemów
  7. Współdziałanie narzędzi
  8. Kluczowe wnioski

Narzędzia obsługujące agentów

Zespół agentów pozbawiony narzędzi pozostaje zamknięty w ramach wiedzy, którą model zapamiętał podczas treningu. Cała wartość pracy wieloagentowej ujawnia się dopiero wtedy, gdy agenci sami szukają informacji w momencie zadania pytania: paralelizacja przynosi korzyści tylko wtedy, gdy istnieje kilka ścieżek do jednoczesnego zbadania. Grok udostępnia im pięć wbudowanych narzędzi, a każdy agent samodzielnie decyduje, z których skorzystać.

web_search, silnik równoległych badań

Wyszukiwanie w sieci to dominujące narzędzie w pracy wieloagentowej – to właśnie je włączysz w niemal wszystkich swoich zapytaniach.

from xai_sdk.tools import web_search

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
    tools=[web_search()],
)

Różnica w porównaniu z pojedynczym modelem polega na tym, że każdy agent uruchamia własne zapytania. Na pytanie „jakie rozwiązanie kopii zapasowej wybrać dla naszej floty serwerów“ jeden agent zgłębi specyfikacje techniczne, inny przeanalizuje ceny, a trzeci sprawdzi opinie użytkowników na wyspecjalizowanych forach. Przy 16 agentach zasięg w sieci jest nieporównywalny z tym, co osiągnie sekwencyjne wyszukiwanie prowadzone przez pojedynczy model.

x_search, narzędzie niedostępne dla innych

Wyszukiwanie w serwisie X (dawniej Twitter) jest funkcją specyficzną dla Groka i zapewnia dostęp do postów, dyskusji oraz trendów na tej platformie w czasie rzeczywistym.

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()],
)

Jego wartość wynika z różnicy czasowej: gdy firma ogłasza nowy produkt, reakcje pojawiają się w serwisie X w ciągu godziny, podczas gdy dogłębne artykuły wymagają kilku dni. Dzięki temu znajdziesz natychmiastową reakcję na ogłoszenie, stanowiska ekspertów, którzy nigdy nie napiszą pełnego artykułu, tematy będące na czasie oraz dyskusje techniczne w społecznościach deweloperskich. W przypadku szybko zmieniających się tematów połączenie web_search + x_search tworzy obraz, którego żadne z tych narzędzi użyte osobno by nie dało.

code_execution, gdy trzeba liczyć, a nie czytać

Wykonywanie kodu pozwala agentowi napisać i uruchomić kod w języku Python w celu analizy danych, przeprowadzenia obliczeń lub wygenerowania wizualizacji.

from xai_sdk.tools import code_execution

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
    tools=[code_execution()],
)

Typowy scenariusz: agent pobiera plik CSV odnaleziony podczas wyszukiwania, ładuje go, wyprowadza statystyki i przekazuje zweryfikowane liczby agentowi prowadzącemu, zamiast polegać na wrażeniach z lektury. Część pracy przesuwa się więc z interpretacji na obliczenia, co ma kluczowe znaczenie, gdy pytanie dotyczy rzędów wielkości.

collections_search, Twoje dokumenty w pętli

Narzędzie to pozwala agentom odpytywać kolekcje dokumentów, które zaindeksowałeś w xAI.

from xai_sdk.tools import collections_search

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
    tools=[collections_search()],
)

Jest to odpowiednik wbudowanego mechanizmu RAG: agenci przeszukują Twoje własne dokumenty równolegle z siecią, co pozwala zestawiać dokumentację wewnętrzną z warunkami rynkowymi bez konieczności samodzielnego budowania potoku pobierania danych.

Zdalne MCP, brama do Twoich systemów

Narzędzia zdalnego MCP rozszerzają możliwości agentów o zewnętrzne usługi, które kontrolujesz. Jeśli udostępnisz serwery MCP, agenci będą z nich korzystać podczas badań dokładnie tak samo jak z narzędzi natywnych: odpytując wewnętrzną bazę danych, wywołując biznesowe API lub łącząc się z systemem zarządzania dokumentami. Jest to oficjalny mechanizm rozszerzeń, a w następnej lekcji zobaczysz, że stanowi on również rozwiązanie ważnego ograniczenia pracy wieloagentowej.

Współdziałanie narzędzi

Prawdziwa korzyść pojawia się, gdy kilka narzędzi jest dostępnych jednocześnie, ponieważ podział między agentów staje się wtedy również podziałem między źródła.

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"
))

Niektórzy agenci przeglądają wtedy prasę, inna grupa analizuje posty w serwisie X, a trzecia agreguje liczby za pomocą kodu. Miej na uwadze efekt mnożnikowy: każde narzędzie udostępnione szesnastu agentom poszerza zasięg badania i odpowiednio zwiększa koszty. Udostępniaj tylko to, czego wymaga pytanie, a nie wszystko domyślnie.

Kluczowe wnioski

  • Pięć wbudowanych narzędzi: web_search, x_search, code_execution, collections_search, zdalne MCP
  • Każdy agent może używać dowolnego narzędzia niezależnie od innych
  • x_search jest ekskluzywne dla Groka – zapewnia dostęp do postów w serwisie X w czasie rzeczywistym
  • Łącz narzędzia, aby prowadzić bardziej kompletne badania
  • Więcej agentów + więcej narzędzi = szerszy zasięg, ale wyższe zużycie tokenów