Przejdź do głównej treści
Polski— Wybierz język
Menu

Łączenie MCP i narzędzi wbudowanych

Lekcja 10 z 12 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Dwie rodziny narzędzi, jeden katalog
  2. Mieszanie ich: nic nowego do nauki
  3. Orkiestracja dzieje się automatycznie
  4. Dwie typowe kompozycje
  5. Ukryty koszt obfitości
  6. Kluczowe wnioski

Dwie rodziny narzędzi, jeden katalog

MCP to nie jedyny sposób na wyposażenie Groka w nowe możliwości. API xAI zawiera natywne narzędzia, zwane narzędziami wbudowanymi, które model może wywoływać bez angażowania żadnego zewnętrznego serwera. Nie musisz wybierać między tymi dwiema rodzinami: deklarujesz je w tym samym miejscu i dowolnie łączysz w jednej konfiguracji.

Cztery natywne narzędzia pokrywają większość potrzeb.

  • Wyszukiwanie w sieci (Web search): wyszukiwanie w sieci w czasie rzeczywistym
  • Wykonywanie kodu (Code execution): uruchamianie kodu Python w piaskownicy
  • Analiza obrazu (Image analysis): analiza i opis obrazów
  • Parsowanie plików (File parsing): odczyt i ekstrakcja zawartości plików

Deklarujesz je w tablicy tools, podając wyłącznie ich typ, bez adresu URL czy etykiety – co ma sens, ponieważ nie wskazujesz tu żadnego zdalnego serwera.

Mieszanie ich: nic nowego do nauki

Składnia nie wymaga żadnych specjalnych konstrukcji. Umieszczasz obiekty MCP i obiekty natywne obok siebie w tej samej tablicy.

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=[
        # Zdalne narzędzie MCP
        mcp(
            server_url="https://mcp.deepwiki.com/mcp",
            server_label="deepwiki",
            server_description="Documentation for GitHub projects"
        ),
        # Narzędzie natywne: wyszukiwanie w sieci
        {"type": "web_search"},
    ],
)

API Responses w formacie OpenAI działa według tej samej logiki, przy czym narzędzie MCP przyjmuje po prostu postać słownika z typem.

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"},
    ],
)

Orkiestracja dzieje się automatycznie

Z perspektywy modelu narzędzia MCP i natywne tworzą jeden wspólny katalog. Grok nie rozróżnia narzędzia, które łączy się przez sieć z serwerem strony trzeciej, od tego uruchamianego przez infrastrukturę xAI: widzi jedynie możliwości, ich nazwy i opisy, a następnie wybiera te, które w danym kroku przybliżają go do odpowiedzi.

Weźmy zapytanie: „porównaj konfigurację routingu w Next.js z aktualnymi najlepszymi praktykami“. Grok najpierw wywołuje deepwiki__search, aby odczytać dokumentację routingu w repozytorium Next.js, następnie używa web_search, by znaleźć najnowsze artykuły na temat bieżących praktyk, a na końcu syntezuje obie źródła w spójną odpowiedź. W żadnym momencie nie określiłeś tej kolejności ani nawet faktu, że te dwa narzędzia mają być użyte razem. Model samodzielnie decyduje o sekwencji, a Ty nie musisz pisać żadnej logiki orkiestracji.

Dwie typowe kompozycje

Agent do badań technicznych wykorzystuje dokumentację referencyjną, dostęp do sieci oraz możliwości weryfikacji kodu.

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"},
]

To trio pozwala konsultować dokumentację projektu, szukać dodatkowych informacji w sieci, a następnie uruchomić kod, aby zweryfikować rozwiązanie przed jego zaproponowaniem. Trzecie narzędzie zmienia charakter odpowiedzi: zamiast jedynie twierdzić, że fragment kodu działa, agent to weryfikuje.

Wewnętrzny asystent techniczny podąża inną logiką, gdzie dwa prywatne serwery przechowują wiedzę firmy, a sieć służy jedynie jako zapasowe źródło.

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"},
]

Asystent przeszukuje bazę wiedzy, konsultuje powiązane zgłoszenia w Jira i uzupełnia informacje wyszukiwaniem w sieci, jeśli brakuje danych wewnętrznych. Zwróć uwagę na ograniczenie dotyczące Jiry do dostępu tylko do odczytu: bez niego złośliwa instrukcja w treści zgłoszenia mogłaby skłonić model do wykonania operacji zapisu.

Ukryty koszt obfitości

Każde dodane narzędzie, czy to MCP, czy natywne, zajmuje miejsce w oknie kontekstowym, aby przechować swoją definicję. Hojna konfiguracja kosztuje Cię więc dostępną przestrzenią na rozmowę, czasem przetwarzania i dokładnością wyboru.

Trzy nawyki wystarczą, aby to kontrolować. Ogranicz całkowitą liczbę narzędzi i oprzyj się pokusie podłączania pięciu serwerów z pięćdziesięcioma narzędziami, gdy Twój przypadek użycia wymaga dziesięciu. Stosuj allowed_tool_names na każdym serwerze MCP, aby zachować tylko odpowiednie narzędzia. Nie dodawaj narzędzia natywnego „na wszelki wypadek“: jeśli Twój agent nie ma powodu, by uruchamiać kod, code_interpreter nie jest darmową opcją – to skonsumowany kontekst i dodatkowa szansa na wybranie niewłaściwego narzędzia.

Kluczowe wnioski

  • Narzędzia MCP i natywne (wyszukiwanie w sieci, wykonywanie kodu) współistnieją w tej samej tablicy tools
  • Grok automatycznie orkiestruje wywołania między narzędziami MCP i natywnymi w zależności od zapytania
  • Połączenie to pozwala tworzyć potężne agenty wykorzystujące zarówno źródła wewnętrzne (MCP), jak i zewnętrzne (wyszukiwanie w sieci)
  • Ogranicz całkowitą liczbę narzędzi, aby zachować kontekst i dokładność modelu
  • Używaj allowed_tool_names dla każdego serwera MCP, aby zredukować szum