Les outils intégrés : web_search, x_search et plus

Les outils au service des agents

Une équipe d’agents sans outils reste enfermée dans ce que le modèle a mémorisé pendant son entraînement. Toute la valeur du multi-agent apparaît quand ces agents vont chercher de l’information au moment où vous posez la question : la parallélisation ne sert que s’il y a plusieurs pistes à explorer simultanément. Grok met cinq outils intégrés à leur disposition, et chaque agent décide seul lesquels il mobilise.

web_search, le moteur de la recherche parallèle

La recherche web est l’outil dominant en multi-agent, celui que vous activerez dans la quasi-totalité de vos requêtes.

from xai_sdk.tools import web_search

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

Ce qui change ici par rapport à un modèle unique, c’est que chaque agent lance ses propres requêtes. Sur une question du type « quelle solution de sauvegarde choisir pour notre parc de serveurs », un agent creusera les caractéristiques techniques, un autre les grilles tarifaires, un troisième les retours d’utilisateurs sur les forums spécialisés. Avec 16 agents, la surface de web couverte n’a plus rien à voir avec celle d’une recherche séquentielle menée par un seul modèle.

x_search, l’outil que les autres n’ont pas

La recherche sur X, anciennement Twitter, est propre à Grok et donne accès aux posts, aux discussions et aux tendances de la plateforme en temps réel.

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()],
)

Son intérêt tient à un décalage temporel : quand une entreprise annonce un produit, les réactions apparaissent sur X dans l’heure, alors que les articles de fond mettent plusieurs jours. Vous y trouvez la réception immédiate d’une annonce, la prise de position d’experts qui ne publieront jamais d’article, les sujets qui montent, et les échanges techniques des communautés de développeurs. Sur un sujet chaud, la combinaison web_search + x_search produit une image que ni l’un ni l’autre ne donnerait seul.

code_execution, quand il faut calculer plutôt que lire

L’exécution de code permet à un agent d’écrire et de lancer du Python pour analyser des données, effectuer des calculs ou produire des visualisations.

from xai_sdk.tools import code_execution

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

Le scénario typique : un agent récupère un fichier CSV trouvé pendant sa recherche, le charge, en tire des statistiques, et transmet des chiffres vérifiés au leader plutôt qu’une impression de lecture. Une partie du travail passe ainsi de l’interprétation au calcul, ce qui compte dès que la question porte sur des ordres de grandeur.

collections_search, vos documents dans la boucle

Cet outil autorise les agents à interroger les collections de documents que vous avez indexées chez 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()],
)

C’est l’équivalent d’un RAG intégré : les agents fouillent vos propres documents en complément du web, ce qui permet de croiser une documentation interne avec l’état du marché sans bâtir vous-même le pipeline de récupération.

Remote MCP, la porte ouverte sur votre système d’information

Les outils MCP distants étendent les capacités des agents avec des services externes que vous contrôlez. Si vous exposez des serveurs MCP, les agents s’en servent pendant leur recherche exactement comme des outils natifs : interroger une base de données interne, appeler une API métier, atteindre un système de gestion documentaire. C’est le mécanisme d’extension officiel, et vous verrez dans la leçon suivante qu’il constitue aussi la réponse à une limitation importante du multi-agent.

Faire travailler les outils ensemble

Le vrai gain apparaît quand plusieurs outils sont disponibles en même temps, parce que la répartition entre agents devient aussi une répartition entre sources.

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(
    "Analyse le sentiment sur les annonces GPU de NVIDIA cette semaine : "
    "articles de presse, réactions sur X, et resume les chiffres clés"
))

Une partie des agents dépouille alors la presse, une autre analyse les publications sur X, une troisième agrège les chiffres par le code. Gardez l’effet multiplicateur en tête : chaque outil ouvert à seize agents élargit la couverture et alourdit d’autant la facture. Ouvrez ce dont la question a besoin, pas tout par défaut.

Points clés à retenir

• Cinq outils intégrés : web_search, x_search, code_execution, collections_search, Remote MCP
• Chaque agent peut utiliser n’importe quel outil, indépendamment des autres
• x_search est exclusif à Grok — accès aux posts X en temps réel
• Combinez les outils pour une recherche plus complète
• Plus d’agents + plus d’outils = couverture plus large mais consommation tokens plus élevée