Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Kombinera MCP och inbyggda verktyg

Lektion 10 av 12 Uppdaterad 29 juli 2026 Utvecklare
På denna sida
  1. Två verktygsfamiljer, en katalog
  2. Blanda dem: inget extra att lära sig
  3. Orkestrering sker automatiskt
  4. Två typiska sammansättningar
  5. Den dolda kostnaden för överflöd
  6. Viktiga punkter

Två verktygsfamiljer, en katalog

MCP är inte det enda sättet att ge Grok nya förmågor. xAI:s API inkluderar inbyggda verktyg, så kallade built-in tools, som modellen kan anropa utan att involvera någon extern server. Du behöver inte välja mellan de två familjerna: du deklarerar dem på samma ställe och kombinerar dem fritt i en enda konfiguration.

Fyra inbyggda verktyg täcker de flesta behov.

  • Web search: sökning på webben i realtid
  • Code execution: körning av Python-kod i en sandlåda
  • Image analysis: analys och beskrivning av bilder
  • File parsing: läsning och extrahering av filinnehåll

Du deklarerar dem i arrayen tools enbart efter typ, utan URL eller etikett – vilket är logiskt eftersom det inte finns någon fjärrserver att peka ut.

Blanda dem: inget extra att lära sig

Syntaxen kräver ingen särskild konstruktion. Du placerar MCP-objekt och nativa objekt sida vid sida i samma 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=[
        # Remote MCP tool
        mcp(
            server_url="https://mcp.deepwiki.com/mcp",
            server_label="deepwiki",
            server_description="Documentation for GitHub projects"
        ),
        # Native tool: web search
        {"type": "web_search"},
    ],
)

Responses API i OpenAI-format följer samma logik, där MCP-verktyget helt enkelt antar sin typade ordboksform.

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"},
    ],
)

Orkestrering sker automatiskt

Ur modellens perspektiv bildar MCP och inbyggda verktyg en enda katalog. Grok gör ingen skillnad mellan ett verktyg som går över nätverket till en tredjepartsserver och ett som körs av xAI:s infrastruktur: den ser förmågor, med namn och beskrivningar, och väljer den som för responsen framåt vid varje steg.

Ta frågan “jämför routningskonfigurationen i Next.js med nuvarande bästa praxis”. Grok anropar först deepwiki__search för att läsa routningsdokumentationen i Next.js-repositoryt, sedan web_search för att hitta senaste artiklar om aktuell praxis, och syntetiserar slutligen båda källorna till ett sammanhängande svar. Vid inget tillfälle specificerade du denna ordning, eller ens att dessa två verktyg skulle användas tillsammans. Modellen beslutar om sekvensen helt själv, och du har ingen orkestreringslogik att skriva.

Två typiska sammansättningar

En teknisk forskningsagent utnyttjar referensdokumentation, webåtkomst och förmågan att verifiera kod.

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"},
]

Denna trio låter dig konsultera projektdokumentation, söka efter ytterligare information online och sedan köra kod för att validera en lösning innan du föreslår den. Det tredje verktyget ändrar responsens natur: istället för att hävda att ett kodavsnitt fungerar, verifierar agenten det.

En intern teknisk assistent följer en annan logik, där två privata servrar huserar företagets kunskap och webben endast tjänar som reserv.

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"},
]

Assistenten söker i kunskapsbasen, konsulterar relaterade Jira-ärenden och kompletterar med en webbsökning om information saknas internt. Notera begränsningen för Jira, som är begränsad till skrivskyddad åtkomst: utan den skulle en skadlig instruktion smugen in i brödtexten på ett ärende kunna pusha modellen mot en skrivoperation.

Den dolda kostnaden för överflöd

Varje tillagt verktyg, oavsett om det är MCP eller inbyggt, tar upp plats i kontextfönstret för att lagra sin definition. En generös konfiguration kostar dig därför i tillgängligt utrymme för konversation, bearbetningstid och urvalsnoggrannhet.

Tre vanor räcker för att hålla detta i schack. Begränsa det totala antalet verktyg och stå emot frestelsen att ansluta fem servrar med femtio verktyg när ditt användningsfall kräver tio. Tillämpa allowed_tool_names på varje MCP-server för att bara behålla relevanta verktyg. Och lägg inte till ett inbyggt verktyg “för säkerhets skull”: om din agent inte har någon anledning att köra kod är code_interpreter inte ett gratis alternativ, det är konsumerat kontext och en ytterligare möjlighet att välja fel verktyg.

Viktiga punkter

  • MCP-verktyg och inbyggda verktyg (webbsökning, kodkörning) samexisterar i samma tools-array
  • Grok orkestrerar automatiskt anrop mellan MCP och inbyggda verktyg baserat på frågan
  • Kombinationen låter dig skapa kraftfulla agenter som utnyttjar både interna källor (MCP) och externa källor (webbsökning)
  • Begränsa det totala antalet verktyg för att bevara kontext och modellnoggrannhet
  • Använd allowed_tool_names för varje MCP-server för att reducera brus