Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Kombiniranje orodij MCP in vgrajenih orodij

Lekcija 10 od 12 Posodobljeno 29. julij 2026 Razvijalec
Na tej strani
  1. Dve družini orodij, en katalog
  2. Mešanje: ničesar novega se ni treba učiti
  3. Orkestracija poteka samodejno
  4. Dve tipični kompoziciji
  5. Skriti strošek obilice
  6. Ključne ugotovitve

Dve družini orodij, en katalog

MCP ni edini način, kako modelu Grok zagotoviti dodatne zmožnosti. API xAI vključuje tudi avtohtona orodja, imenovana vgrajena orodja, ki jih model lahko pokliče brez vključevanja zunanjega strežnika. Med obema družinama ti ni treba izbirati: obe deklariraš na istem mestu in ju svobodno kombiniraš v eni sami konfiguraciji.

Štiri avtohtona orodja pokrivajo večino potreb.

  • Spletno iskanje: iskanje po spletu v realnem času
  • Izvajanje kode: izvajanje kode Python v peskovniku
  • Analiza slik: analiza in opis slik
  • Razčlenjevanje datotek: branje in ekstrakcija vsebine datotek

Deklariraš jih v polju tools zgolj z določitvijo tipa, brez URL-ja ali oznake – kar ima smisel, saj ni oddaljenega strežnika, ki bi ga bilo treba določiti.

Mešanje: ničesar novega se ni treba učiti

Sintaksa ne zahteva nobene posebne konstrukcije. Objekte MCP in avtohtone objekte postaviš drug ob drugega v isto polje.

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=[
        # Oddaljeno orodje MCP
        mcp(
            server_url="https://mcp.deepwiki.com/mcp",
            server_label="deepwiki",
            server_description="Dokumentacija za projekte na GitHubu"
        ),
        # Avtohtono orodje: spletno iskanje
        {"type": "web_search"},
    ],
)

API Responses v formatu OpenAI sledi isti logiki, pri čemer orodje MCP preprosto prevzame svojo tipizirano slovarsko obliko.

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input=[{"role": "user", "content": "Primerjaj React in Vue na podlagi uradne dokumentacije in trenutnih trendov"}],
    tools=[
        {
            "type": "mcp",
            "server_url": "https://mcp.deepwiki.com/mcp",
            "server_label": "deepwiki"
        },
        {"type": "web_search"},
    ],
)

Orkestracija poteka samodejno

Z vidika modela orodja MCP in avtohtona orodja tvorijo enoten katalog. Grok ne razlikuje med orodjem, ki potuje po omrežju do strežnika tretje strani, in tistim, ki ga izvira infrastruktura xAI: vidi zmožnosti z imeni in opisi ter izbere tisto, ki v vsakem koraku napreduje odgovor.

Vzemimo poizvedbo „primerjaj konfiguracijo usmerjanja v Next.js s trenutnimi najboljšimi praksami”. Grok najprej pokliče deepwiki__search, da prebere dokumentacijo o usmerjanju v repozitoriju Next.js, nato web_search, da najde nedavne članke o trenutnih praksah, in končno sintetizira oba vira v koherenten odgovor. Nikoli nisi določil tega vrstnega reda niti tega, da bi bilo treba ti dve orodji uporabiti skupaj. Zaporedje določi izključno model, tebi pa ni treba zapisati nobene logike za orkestracijo.

Dve tipični kompoziciji

Agent za tehnično raziskovanje izkorišča referenčno dokumentacijo, dostop do spleta in zmožnosti preverjanja kode.

tools = [
    mcp(
        server_url="https://mcp.deepwiki.com/mcp",
        server_label="deepwiki",
        server_description="Dokumentacija in izvorna koda za projekte na GitHubu"
    ),
    {"type": "web_search"},
    {"type": "code_interpreter"},
]

Ta trojica ti omogoča, da se posvetuješ z dokumentacijo projekta, poiščeš dodatne informacije na spletu in nato izvršiš kodo za validacijo rešitve, preden jo predlagaš. Tretje orodje spremeni naravo odgovora: namesto da bi trdil, da izsek deluje, ga agent preveri.

Notranji tehnični asistent sledi drugačni logiki, kjer dva zasebna strežnika hranita znanje podjetja, splet pa služi le kot rezervna možnost.

tools = [
    mcp(
        server_url="https://kb.monentreprise.com/mcp",
        server_label="kb",
        server_description="Interna baza znanja",
        authorization=f"Bearer {os.getenv('KB_TOKEN')}"
    ),
    mcp(
        server_url="https://jira.monentreprise.com/mcp",
        server_label="jira",
        server_description="Vstopnice in projekti Jira",
        authorization=f"Bearer {os.getenv('JIRA_TOKEN')}",
        allowed_tool_names=["search_issues", "get_issue"]
    ),
    {"type": "web_search"},
]

Asistent išče po bazi znanja, se posvetuje s povezanimi vstopnicami Jira in po potrebi dopolni informacije s spletnim iskanjem, če teh internih podatkov ni. Opazi omejitev pri Jiri, ki je omejena na dostop samo za branje: brez nje bi lahko zlonamerno navodilo, vtihotapljeno v telo vstopnice, model spodbudilo k operaciji pisanja.

Skriti strošek obilice

Vsako dodano orodje, bodisi MCP bodisi avtohtono, zavzame prostor v oknu konteksta za shranjevanje svoje definicije. Velikodušna konfiguracija te zato stane razpoložljivega prostora za pogovor, časa obdelave in natančnosti izbire.

Za obvladovanje tega zadostujejo tri navade. Omeji skupno število orodij in se upri skušnjavi, da bi povezal pet strežnikov s petdesetimi orodji, ko tvoj primer uporabe zahteva le deset. Na vsakem strežniku MCP uporabi allowed_tool_names, da obdržiš le ustrezna orodja. In ne dodajaj avtohtonih orodij „za vsak slučaj”: če tvoj agent nima razloga za izvajanje kode, code_interpreter ni brezplačna opcija, temveč porabljen kontekst in dodatna priložnost za izbiro napačnega orodja.

Ključne ugotovitve

  • Orodja MCP in avtohtona orodja (spletno iskanje, izvajanje kode) sobivajo v istem polju tools
  • Grok samodejno orkestrira klice med orodji MCP in avtohtonimi orodji glede na poizvedbo
  • Kombinacija omogoča ustvarjanje zmogljivih agentov, ki izkoriščajo tako interne vire (MCP) kot zunanje vire (spletno iskanje)
  • Omeji skupno število orodij, da ohraniš kontekst in natančnost modela
  • Za vsak strežnik MCP uporabi allowed_tool_names, da zmanjšaš šum