远程 MCP 工具让 Grok 能够连接外部 MCP（Model Context Protocol）服务器，并通过第三方或自行实现的自定义工具扩展能力。只需指定服务器 URL 和可选配置，xAI 会代为管理 MCP 服务器的连接与交互。

SDK 支持

xAI 原生 SDK、兼容 OpenAI 的 Responses API 以及语音转语音 API 均支持远程 MCP 工具。

配置

要使用远程 MCP 工具，需要在请求的 `tools` 数组中配置与 MCP 服务器的连接。

参数	必需	说明
`server_url`	是	要连接的 MCP 服务器 URL。仅支持 Streaming HTTP 和 SSE 传输。
`server_label`	是	用于标识服务器的标签（用于工具调用前缀）
`server_description`	否	服务器所提供功能的说明
`allowed_tools`	否	允许使用的特定工具名称列表（为空时允许全部）。xAI 原生 SDK 使用参数名 `allowed_tool_names` 均支持远程 MCP 工具。
`authorization`	否	会设置在发往 MCP 服务器请求的 `Authorization` 请求头中的 token
`headers`	否	请求中要包含的额外请求头。xAI 原生 SDK 使用参数名 `extra_headers` 均支持远程 MCP 工具。

MCP 工具基础用法

import os

from xai_sdk import Client
from xai_sdk.chat import user
from xai_sdk.tools import mcp

client = Client(api_key=os.getenv("XAI_API_KEY"))
chat = client.chat.create(
    model="grok-4.7",
    tools=[
        mcp(server_url="https://mcp.deepwiki.com/mcp", server_label="deepwiki"),
    ],
    include=["verbose_streaming"],
)

chat.append(user("What can you do with https://github.com/xai-org/xai-sdk-python?"))

is_thinking = True
for response, chunk in chat.stream():
    # View the server-side tool calls as they are being made in real-time
    for tool_call in chunk.tool_calls:
        print(f"\\nCalling tool: {tool_call.function.name} with arguments: {tool_call.function.arguments}")
    if response.usage.reasoning_tokens and is_thinking:
        print(f"\\rThinking... ({response.usage.reasoning_tokens} tokens)", end="", flush=True)
    if chunk.content and is_thinking:
        print("\\n\\nFinal Response:")
        is_thinking = False
    if chunk.content and not is_thinking:
        print(chunk.content, end="", flush=True)

print("\\n\\nUsage:")
print(response.usage)
print(response.server_side_tool_usage)
print("\\n\\nServer Side Tool Calls:")
print(response.tool_calls)

import os
from openai import OpenAI

api_key = os.getenv("XAI_API_KEY")
client = OpenAI(
    api_key=api_key,
    base_url="https://api.x.ai/v1",
)

response = client.responses.create(
    model="grok-4.7",
    input=[
        {
            "role": "user",
            "content": "What can you do with https://github.com/xai-org/xai-sdk-python?",
        },
    ],
    tools=[
        {
            "type": "mcp",
            "server_url": "https://mcp.deepwiki.com/mcp",
            "server_label": "deepwiki",
        }
    ],
)

print(response)

import os
import requests

url = "https://api.x.ai/v1/responses"
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {os.getenv('XAI_API_KEY')}"
}
payload = {
    "model": "grok-4.7",
    "input": [
        {
            "role": "user",
            "content": "What can you do with https://github.com/xai-org/xai-sdk-python?"
        }
    ],
    "tools": [
        {
            "type": "mcp",
            "server_url": "https://mcp.deepwiki.com/mcp",
            "server_label": "deepwiki",
        }
    ]
}
response = requests.post(url, headers=headers, json=payload)
print(response.json())

curl https://api.x.ai/v1/responses \\
  -H "Content-Type: application/json" \\
  -H "Authorization: Bearer $XAI_API_KEY" \\
  -d '{
  "model": "grok-4.7",
  "input": [
    {
      "role": "user",
      "content": "What can you do with https://github.com/xai-org/xai-sdk-python?"
    }
  ],
  "tools": [
    {
        "type": "mcp",
        "server_url": "https://mcp.deepwiki.com/mcp",
        "server_label": "deepwiki"
    }
  ]
}'

工具启用与访问控制

配置远程 MCP 工具时，如果未指定 allowed_tools，MCP 服务器公开的所有工具定义都会自动注入模型上下文。这意味着模型可以访问 MCP 服务器提供的每个工具，并在对话中使用其中任意一个。

例如，如果 MCP 服务器公开了 10 个不同工具，而未指定 allowed_tools，则全部 10 个工具定义都可供模型使用。模型随后可根据用户请求和工具说明选择调用其中任意工具。

使用 allowed_tools 参数可以选择性地只启用 MCP 服务器中的特定工具。这有以下主要优势：

更高性能：通过限制模型需要考虑的工具定义，减少上下文开销
降低风险：例如，只允许访问执行只读操作的工具，防止模型修改数据

# Enable only specific tools from a server with many available tools
mcp(
    server_url="https://comprehensive-tools.example.com/mcp",
    allowed_tool_names=["search_database", "format_data"]
)

这种方式不会让模型访问服务器提供的每个工具，而是在确保 Grok 具备所需能力的同时，使其保持专注和高效。

多服务器支持

同时启用多个 MCP 服务器，构建丰富的专业工具生态：

chat = client.chat.create(
    model="grok-4.7",
    tools=[
        mcp(server_url="https://mcp.deepwiki.com/mcp", server_label="deepwiki"),
        mcp(server_url="https://your-custom-tools.com/mcp", server_label="custom"),
        mcp(server_url="https://api.example.com/tools", server_label="api-tools"),
    ],
)

每个服务器可以提供不同能力，例如文档工具、API 集成、自定义业务逻辑或专业数据处理，并且都可在单个对话中访问。

最佳实践

提供清晰的服务器元数据：配置多个 MCP 服务器时，使用描述明确的 server_label 和 server_description，帮助模型理解每个服务器的用途并选择正确工具
适当过滤工具：使用 allowed_tools，将访问范围限制为必要工具。服务器有大量工具时尤其重要，因为模型必须在上下文中保留所有可用工具定义
使用安全连接：始终使用 HTTPS URL，并在 MCP 服务器上实现适当的身份验证机制
提供示例：虽然模型通常能根据工具说明和用户请求判断要使用哪些工具，但在 prompt 中提供示例可能会有所帮助

最后更新：2026 年 9 月 1 日