Grok MCP: xAI API سے تصاویر اور ویڈیو

Grok میں ریموٹ MCP ٹولز دراصل xAI API کی سرور سائیڈ سہولت ہیں: آپ درخواست کی tools فہرست میں کسی MCP سرور کا پتہ لکھتے ہیں، اور کنکشن کھولنا، ٹولز کی فہرست پڑھنا اور Grok کے جواب لکھتے وقت انہیں پکارنا — یہ سب xAI کا اپنا رن ٹائم کرتا ہے۔ آپ کی مشین پر کچھ نہیں چلتا۔ Cursor یا Claude Code سے فرق بس یہی ہے: وہاں MCP کلائنٹ آپ کے سامنے والے ایڈیٹر میں رہتا ہے اور نیٹ ورک پر بات آپ کا کمپیوٹر کرتا ہے۔

مختصر جواب: tools میں ایک آبجیکٹ شامل کریں — {"type": "mcp", "server_url": "https://bananabanana.pro/api/mcp", "server_label": "bananabanana", "authorization": "Bearer bb_live_…"} — اور Grok کو دس جنریشن ٹولز مل جاتے ہیں: Nano Banana خاندان سے تصاویر، Veo 3.1 اور Gemini Omni Flash سے ویڈیو، Gemini TTS سے آواز۔ تصاویر $0.03 سے، ویڈیو $0.10 سے، اور نئے اکاؤنٹ میں آزمانے کے لیے $0.20 موجود ہوتے ہیں۔ grok.com پر وہی URL‏ Connectors ← New Connector ← Custom میں جاتا ہے، اگرچہ سائن اِن والا حصہ کم واضح ہے (اس پر نیچے الگ سیکشن ہے)۔

نیچے اپنی طرف کے بارے میں جو کچھ بھی کہا گیا ہے، وہ یکم ستمبر 2026 کو اصل درخواستوں سے ناپا گیا۔ xAI کی طرف کی ہر بات ان کی دستاویزات سے ہے، بالکل اسی دن کی حالت میں، اور میں اسے اپنے الفاظ میں کہنے کے بجائے حوالہ دے رہا ہوں، کیونکہ ان کے API کا یہ حصہ بدلتا رہتا ہے۔

دو راستے، ایک سرور

”کیا Grok میں MCP کی سہولت ہے“ دراصل دو سوال ہیں، اور دونوں کے جواب الگ ہیں۔

اسی صفحے کی دو پابندیاں دوبارہ پڑھنے کے لائق ہیں۔ ٹرانسپورٹ: "Only Streaming HTTP and SSE transports are supported"۔ اور OpenAI سے ہم آہنگ راستہ دو پیرامیٹر کھو دیتا ہے، require_approval اور connector_id، یعنی کسی قیمت والی کال سے پہلے تصدیق دکھانے کی درخواست xAI سے وہاں نہیں کی جا سکتی۔ یا تو خود بنائیے، یا ٹولز احتیاط سے چنیے۔

ہمارا اینڈ پوائنٹ بغیر حالت والا Streamable HTTP ہے، یعنی بالکل وہی ٹرانسپورٹ جو اس شرط پر پورا اترتا ہے۔ نہ کوئی سیشن ہیڈر زندہ رکھنا ہے، نہ کوئی SSE اسٹریم سنبھالنی ہے: ایک JSON-RPC درخواست کے بدلے ایک JSON جواب۔

BananaBanana کو xAI API سے جوڑنا

سب سے چھوٹی چلنے والی شکل، سیدھا cURL بذریعہ Responses API:

curl https://api.x.ai/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -d '{
    "model": "grok-4.6",
    "input": [
      { "role": "user",
        "content": "Generate a 16:9 product photo of a ceramic cup on linen, soft morning light. Use nano-banana-pro, then give me the URL." }
    ],
    "tools": [
      {
        "type": "mcp",
        "server_url": "https://bananabanana.pro/api/mcp",
        "server_label": "bananabanana",
        "server_description": "Image, video and speech generation on Google models",
        "authorization": "Bearer bb_live_your_key_here",
        "allowed_tools": ["list_models", "generate_image", "get_result"]
      }
    ]
  }'

وہی چیز xAI کے Python SDK میں، جہاں دو پیرامیٹر کے نام بدل جاتے ہیں:

from xai_sdk import Client
from xai_sdk.chat import user
from xai_sdk.tools import mcp
 
client = Client(api_key=os.environ["XAI_API_KEY"])
 
chat = client.chat.create(
    model="grok-4.6",
    tools=[
        mcp(
            server_url="https://bananabanana.pro/api/mcp",
            server_label="bananabanana",
            authorization=os.environ["BB_KEY"],          # extra_headers=… also works
            allowed_tool_names=["list_models", "generate_image", "get_result"],
        )
    ],
)
chat.append(user("Make me a 16:9 hero image of a ceramic cup on linen."))

bb_live_… کلید اپنے پروفائل کے API Keys حصے سے بنتی ہے۔ یہ صرف ایک بار دکھائی جاتی ہے۔

دو باریکیاں ایسی ہیں جو ایک ایک شام کھا جاتی ہیں۔

Bearer کا سابقہ۔ xAI‏ authorization کو یوں بیان کرتا ہے: "a token that will be set in the Authorization header on requests to the MCP server"، جس سے یہ کھلا رہ جاتا ہے کہ وہ آپ کی طرف سے Bearer لگاتے ہیں یا نہیں۔ ہمارا سرور اندازہ نہیں لگاتا۔ خالی ٹوکن بھیجیے تو شکایت بالکل مخصوص آتی ہے:

{"error":{"code":-32001,"message":"Unsupported Authorization scheme. Use 'Authorization: Bearer <token>'."}}

اس لیے اسکیم خود لکھیے: "authorization": "Bearer bb_live_…"۔ اگر کبھی xAI کی طرف یہ دو بار لپٹ جائے تو بےابہام صورت اختیار کیجیے اور ہیڈر براہِ راست دیجیے: headers: {"Authorization": "Bearer bb_live_…"}۔

allowed_tools صرف کاغذ پر اختیاری ہے۔ xAI کی دستاویز صاف کہتی ہے کہ اس کے بغیر سرور کی تمام ٹول تعریفیں ماڈل کے سیاق میں چلی جاتی ہیں، "if an MCP server exposes 10 different tools and you don't specify allowed_tools, all 10 tool definitions will be available"۔ ہم بالکل دس ٹولز پیش کرتے ہیں، اور ان میں سے آدھے پیسے خرچ کرتے ہیں۔ تصویریں بنانے والے بوٹ کے لیے میں صرف list_models، generate_image اور get_result کھولتا، اور ویڈیو کی حقیقی ضرورت پڑنے پر فہرست بڑھاتا۔

دروازہ کھٹکھٹانے پر Grok کو کیا نظر آتا ہے

یہ رہا ہمارا ہینڈ شیک، اسی مضمون کے لیے چلایا گیا۔ ٹولز کی فہرست لینے کے لیے کسی سند کی ضرورت نہیں:

curl -s -X POST https://bananabanana.pro/api/mcp \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/list"}'

list_models, get_account, top_up, generate_image, edit_image,
generate_video, edit_video, generate_speech, get_result, list_generations

جو کچھ بھی واقعی کام کرتا ہے، وہ ٹوکن دکھانے تک 401 لوٹاتا ہے، اور جواب میں وہ اشارہ موجود ہوتا ہے جس کی ایک سلیقہ مند کلائنٹ کو ضرورت ہے:

HTTP/2 401
www-authenticate: Bearer realm="bananabanana",
  error_description="Authentication required. Connect this server with OAuth,
  or create an API key at https://bananabanana.pro/profile",
  resource_metadata="https://bananabanana.pro/.well-known/oauth-protected-resource/api/mcp",
  scope="mcp"

resource_metadata والا پتہ MCP اجازت نامے کی وضاحت کا protected resource metadata دستاویز لوٹاتا ہے — OAuth والے کلائنٹ اسی سے ہمارا اجازت سرور خود ڈھونڈ لیتے ہیں۔ xAI API کے راستے پر آپ کو یہ 401 کبھی نہیں ملے گا، کیونکہ آپ کی کلید ہر کال کے ساتھ جاتی ہے۔ مگر نیچے والی کنیکٹر کی کہانی میں یہی بات اہم ہے۔

مطابقت سے متعلق ایک اور بات، کیونکہ یہ اپنا کلائنٹ لکھنے والوں کو اکثر کاٹتی ہے: ہم Accept: application/json, text/event-stream ہیڈر کا مطالبہ نہیں کرتے اور سادہ JSON لوٹاتے ہیں۔ گیٹ وے کے پیچھے پراسرار طور پر ناکام وہی سرور ہوتے ہیں جو SSE والے Accept پر اڑے رہتے ہیں۔

قیمت، جاب اور پولنگ: وہ بہاؤ جو ایجنٹوں کو چونکاتا ہے

تصویر بنانا یعنی ایک کال اور تھوڑا انتظار۔ ویڈیو ایسا نہیں، اور یہیں ”ٹول پکارو، جواب پڑھو“ کی سوچ سے لکھا ایجنٹ لوپ اٹک جاتا ہے۔

ویڈیو اور کئی تصاویر والی درخواستیں جاب نہیں، قیمت کا تخمینہ لوٹاتی ہیں۔ ماڈل کو دوسری بار ٹول پکارنا پڑتا ہے، confirm_cost میں بالکل وہی رقم، سینٹ تک درست، اور تب کہیں کٹوتی ہوتی ہے۔ یہ جان بوجھ کر رکھا گیا اسپیڈ بریکر ہے: کسی نے ”اسے اور سنیمائی بناؤ“ لکھ دیا، اس بنا پر ایجنٹ 4K والے Veo کلپ پر $4.40 خرچ کر دے — ایسا نہیں ہونا چاہیے۔

اس کے بعد جنریشن غیر ہم وقت ہے۔ generate_image اور generate_video فوراً job_id لوٹاتے ہیں؛ get_result ہر کال میں 30 سیکنڈ تک لانگ پولنگ کرتا ہے اور آپ اسے تب تک پکارتے رہتے ہیں جب تک حالت ٹھہر نہ جائے۔ تصاویر عموماً 10 سے 60 سیکنڈ میں آ جاتی ہیں۔ ویڈیو ماڈل اور دورانیے کے حساب سے 1 سے 10 منٹ لیتا ہے۔

Responses API کے لیے عملی نتیجہ: صارف کی ایک باری میں سرور کی طرف چار پانچ ٹول کالیں لگ سکتی ہیں، اور اگر آپ کا انضمام ٹول اسٹیپ دو پر باندھ دے تو Grok ایک job_id بتا کر رک جائے گا، اُس ویٹر کی طرح جو آرڈر لے کر گھر چلا گیا۔ اسے گنجائش دیجیے۔ جنریشن کالوں میں idempotency_key بھی بھیجیے، تاکہ دوبارہ کوشش دوسری کٹوتی نہ بنے۔

ناکامیاں خود رقم واپس کر دیتی ہیں۔ اگر Google کا مواد فلٹر پرامپٹ مسترد کرے یا اوپر کی طرف کال مر جائے تو بیلنس خودبخود واپس آ جاتا ہے اور get_result بتاتا ہے کہ کس مرحلے نے انکار کیا۔ جو ویڈیو ملی ہی نہیں، اس کے پیسے کبھی نہیں لگتے۔

کیا grok.com بھی یہ کر سکتا ہے؟

جزوی طور پر، اور ایماندار جواب میں ایک سوراخ ہے۔

xAI راستہ صاف لکھتا ہے: grok.com/connectors پر جائیے، New Connector دبائیے، Custom چنیے، پھر "Enter the MCP server URL and complete any required authentication"۔ سرور کا عوامی انٹرنیٹ سے قابلِ رسائی ہونا ضروری ہے، جو ہمارا ظاہر ہے کہ ہے۔ اسی صفحے کے مطابق بلٹ اِن کنیکٹر OAuth سے توثیق کرتے ہیں۔

جو بات صفحہ نہیں بتاتا، وہ یہ ہے کہ کسٹم کنیکٹر کون سے توثیقی طریقے قبول کرتا ہے۔ بس ایک جملہ، "complete any required authentication"، یہی پوری وضاحت ہے، اور صفحہ آخری بار 17 جولائی 2026 کو تازہ ہوا۔

ہماری صورتحال یہ ہے۔ ہم مکمل OAuth 2.1 اجازت سرور چلاتے ہیں: متحرک کلائنٹ رجسٹریشن، S256 کے ساتھ PKCE، protected resource metadata، resource indicators — یعنی MCP اجازت نامے کی پوری وضاحت۔ جو بھی کلائنٹ اس پر عمل کرتا ہے، ہماری طرف سے ایک سطر کام کیے بغیر جڑ جاتا ہے؛ Claude اور ChatGPT کے کنیکٹر بالکل اسی طرح کام کرتے ہیں۔ اگر Grok کا کسٹم کنیکٹر بھی وہی راستہ اپناتا ہے تو سب کچھ چل پڑے گا اور آپ کو اپنے اکاؤنٹ کے نام کے ساتھ عام سائن اِن صفحہ نظر آئے گا۔

اور اگر وہ صرف URL محفوظ کرتا ہے اور کوئی سند نہیں بھیجتا، تو آپ کو کنیکٹر کی فہرست میں دسوں ٹولز نظر آئیں گے جبکہ ہر کال 401 لوٹائے گی۔ ہمارے ہاں ٹولز کی دریافت گمنام ہے، اس لیے کنیکٹر صحت مند دکھتے ہوئے بھی کچھ بنا نہیں پائے گا۔

یہاں میں زیادہ دوٹوک ہونا چاہوں گا۔ اگر آپ نے آزمایا ہے تو نتیجہ [email protected] پر ایک ای میل کے لائق ہے — ہمارے MCP صفحے کا مطابقت جدول اسی دن اپ ڈیٹ ہو جاتا ہے۔

لاگت کتنی ہے

قیمتیں فی جنریشن ہیں، پیشگی ادا شدہ بیلنس سے کٹتی ہیں، کوئی سبسکرپشن نہیں۔

یہ کپ اوپر والے cURL مثال کا وہی پرامپٹ ہے، جسے لکھتے وقت واقعی چلایا گیا: Nano Banana Pro، 2K، $0.11 کٹے، ٹول کال کے 32 سیکنڈ بعد تیار۔

نیا اکاؤنٹ $0.20 سے شروع ہوتا ہے، یعنی چھ Lite تصاویر یا ایک مختصر Veo Lite کلپ۔ تاروں کی جانچ کے لیے کافی، اچھے ماڈلز پر رائے بنانے کے لیے ناکافی؛ اسے چھپانے سے بہتر ہے صاف کہہ دینا۔

ٹاپ اپ پر حجم کا بونس ملتا ہے: $50 سے 5%، $100 سے 10%۔ فعال پرومو کوڈ اسی بنیاد پر مزید 10% جوڑتا ہے، یعنی کوڈ کے ساتھ $100 پر بیلنس میں $120 آتے ہیں۔ تازہ اعداد ہمیشہ قیمتوں کے حصے میں ہوتے ہیں۔

Grok تو خود تصویریں بناتا ہے، پھر گھوم کر کیوں جائیں؟

جائز سوال، اور آدھا جواب xAI کی اپنی ماڈل فہرست دیتی ہے: ان کے پاس grok-imagine-image-2.0 اور grok-imagine-video-1.5 موجود ہیں۔ چیٹ کے اندر جھٹ پٹ ایک تصویر چاہیے تو وہی استعمال کیجیے۔ اس کے لیے کسی کو MCP سرور کی ضرورت نہیں۔

جنریشن باہر بھیجنے کی وجوہات تنگ ہیں، اور زیادہ تر اسی بارے میں ہیں کہ کون سے ماڈل اور بل کیسا پڑھا جاتا ہے:

• مخصوص Google ماڈل۔ تصویر کے اندر متن اور مصنوعات کی شوٹ کے لیے Nano Banana Pro، اصل آواز والے ویڈیو کے لیے Veo 3.1، اور جب اسی کلپ پر آواز کے ساتھ مکالماتی ترمیم چاہیے تو Omni Flash۔
• کٹوتی سے پہلے قیمت۔ list_models فی یونٹ قیمتیں فوراً لوٹاتا ہے، اور ویڈیو خرچ سے پہلے تخمینہ دیتا ہے۔ ایجنٹ کو بجٹ دیا جا سکتا ہے اور وہ واقعی اس پر قائم رہتا ہے۔
• سب کلائنٹس کے لیے ایک بیلنس۔ وہی کلید Grok، Gemini CLI، Codex اور ویب اسٹوڈیو میں چلتی ہے، اور تمام نتائج ایک ہی تاریخ میں جمع ہوتے ہیں۔
• ناکامی پر رقم کی واپسی، جو مواد فلٹر کے شامل ہوتے ہی سننے سے زیادہ اہم ہو جاتی ہے۔

اس راستے کی ایماندار قیمت: ایک اضافی نیٹ ورک ہاپ اور پولنگ لوپ، ویڈیو میں تصدیق کا مرحلہ، Omni Flash کی 720p حد، اور ٹول اسکیمے جو کلائنٹ جڑتے وقت محفوظ کر لیتے ہیں — یعنی ہماری طرف نیا پیرامیٹر آنے پر آپ کو دوبارہ جوڑنا پڑے گا، تبھی Grok اسے بھیج سکے گا۔ ان میں سے کچھ بھی جان لیوا نہیں۔ اور سب کچھ سچ ہے۔

FAQ

کیا Grok میں MCP سرورز کی سہولت ہے؟

جی ہاں، API کی طرف۔ xAI کے Remote MCP Tools مقامی SDK، OpenAI سے ہم آہنگ Responses API اور Speech to Speech API میں کام کرتے ہیں؛ server_url اور server_label لازمی ہیں، جبکہ authorization، headers اور allowed_tools اختیاری۔ grok.com پر کسٹم MCP کنیکٹر‏ Connectors ← New Connector ← Custom میں ملتے ہیں۔

کیا OAuth ضروری ہے یا API کلید کافی ہے؟

xAI API کے لیے bb_live_… کلید کافی ہے اور آسان بھی: اسے Bearer سابقے کے ساتھ authorization میں بھیجیے۔ OAuth ان کنیکٹر نما کلائنٹس کے لیے اہم ہے جو صارف کو خود سائن اِن کراتے ہیں۔ ہمارا سرور ایک ہی اینڈ پوائنٹ پر دونوں طریقے قبول کرتا ہے۔

Grok کا کون سا ماڈل چنیں؟

xAI کی MCP مثالوں میں grok-4.6 ہے، فی الحال ان کی طے شدہ سفارش۔ سرور سائیڈ ٹولز کی حمایت کرنے والا کوئی بھی ماڈل چلے گا؛ ٹولز کا معاہدہ ماڈل بدلنے سے نہیں بدلتا۔

کیا اس طریقے سے آواز والا ویڈیو بن سکتا ہے؟

جی ہاں — آواز کے ساتھ Veo 3.1 سے، یا Gemini Omni Flash سے جس میں آواز ہمیشہ ہوتی ہے۔ دو مرحلوں والی تصدیق اور ایک منٹ یا اس سے زیادہ کی پولنگ کا اندازہ رکھیے۔ Omni کی حد 720p ہے، اس لیے پوری اسکرین والے مرکزی کلپ کے لیے یہ انتخاب نہیں۔

جنریشن ناکام ہو جائے تو کیا ہوتا ہے؟

کٹوتی خودبخود واپس ہو جاتی ہے اور get_result فراہم کنندہ کی طرف کی وجہ کے ساتھ اگلا تجویز کردہ قدم بھی لوٹاتا ہے۔ مواد فلٹر کے انکار پر الفاظ بدل کر دوبارہ کوشش کرنا مناسب رہتا ہے: وہی پرامپٹ دوسری بار گزر سکتا ہے، کیونکہ فلٹر صرف درخواست نہیں، بنی ہوئی پکسل دیکھتا ہے۔