Grok MCP：用 xAI API 生成图片和视频

Grok 里的远程 MCP 工具是 xAI API 的服务端能力：你在请求的 tools 数组里写上一个 MCP 服务器地址，由 xAI 自己的运行时去建立连接、读取工具列表并在 Grok 组织回答时调用这些工具。你的电脑上什么都不用跑。这正是它和 Cursor、Claude Code 的区别：那边的 MCP 客户端住在你面前的编辑器里，联网说话的是你的机器。

快速答案： 往 tools 里加一个对象 —— {"type": "mcp", "server_url": "https://bananabanana.pro/api/mcp", "server_label": "bananabanana", "authorization": "Bearer bb_live_…"} —— Grok 就多出十个生成工具：Nano Banana 系列出图，Veo 3.1 和 Gemini Omni Flash 出视频，Gemini TTS 出语音。图片 $0.03 起，视频 $0.10 起，新账号自带 $0.20 供试用。在 grok.com 上，同一个 URL 填进 Connectors → New Connector → Custom，只是登录那一半没那么确定（下面有专门一节）。

下文关于我们这一侧的所有说法，都是 2026 年 9 月 1 日用真实请求实测的。关于 xAI 那一侧的内容取自他们同一天的官方文档，而且我选择原文引用而非转述，因为这块 API 一直在变。

两个入口，一台服务器

“Grok 支持 MCP 吗”其实是两个问题，答案并不相同。

同一页里有两条限制值得读两遍。传输层："Only Streaming HTTP and SSE transports are supported"。而 OpenAI 兼容路径少了两个参数，require_approval 和 connector_id，也就是说在那边没法让 xAI 在付费调用前先弹一次确认。要么你自己做一层，要么把工具挑清楚。

我们的端点是无状态 Streamable HTTP，正好是符合这条要求的传输方式。没有需要维持的会话头，也没有需要盯着的 SSE 流：一个 JSON-RPC 请求对应一个 JSON 响应。

把 BananaBanana 接到 xAI API

能跑起来的最小形态，直接用 cURL 打 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"]
      }
    ]
  }'

同样的事情用 xAI 的 Python SDK 写，有两个参数名不一样：

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_… 密钥在个人页面的 API Keys 一栏创建，只显示一次。

有两个细节，各能让人耗掉一个晚上。

Bearer 前缀。 xAI 把 authorization 描述为 "a token that will be set in the Authorization header on requests to the MCP server"，至于他们会不会替你补上 Bearer，文档没说。我们的服务器不猜。直接发裸 token，回来的抱怨很具体：

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

所以请自己写上方案名："authorization": "Bearer bb_live_…"。万一哪天在 xAI 那侧被包了两层，就换成没有歧义的写法，直接设置请求头 headers: {"Authorization": "Bearer bb_live_…"}。

allowed_tools 只是名义上可选。 xAI 的文档说得很直白：不写它，服务器暴露的所有工具定义都会进入模型上下文，"if an MCP server exposes 10 different tools and you don't specify allowed_tools, all 10 tool definitions will be available"。我们正好暴露十个，其中一半会花钱。如果只是做一个出图机器人，我会只放开 list_models、generate_image 和 get_result，等真要做视频再放宽。

Grok 敲门时看到什么

这是为这篇文章实跑的一次握手。读取工具列表完全不需要凭据：

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

真正会干活的接口在你出示 token 之前一律返回 401，响应里带着规矩的客户端所需要的指针：

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 指向的地址返回的是 MCP 授权规范里的 protected resource metadata 文档，支持 OAuth 的客户端就是靠它自己找到我们的授权服务器。走 xAI API 这条路你永远碰不到这个 401，因为密钥跟着每一次调用一起过来。但对下面那节连接器的故事来说，它很关键。

再补一条兼容性说明，因为它常常咬到自己写客户端的人：我们不要求 Accept: application/json, text/event-stream 请求头，返回的是普通 JSON。在网关后面莫名其妙失败的，恰恰是那些坚持要 SSE 风格 Accept 头的服务器。

报价、任务、轮询：让智能体翻车的流程

生成图片就是一次调用加一次等待。视频不是，按“调用工具、读取结果”写的智能体循环就卡在这里。

视频和多图请求返回的不是任务，而是一份报价。模型必须第二次调用工具，把 confirm_cost 填成分毫不差的那个数字，之后才会扣费。这是故意设的减速带：不该因为有人打了一句“再电影感一点”，智能体就能在 4K Veo 片子上花掉 $4.40。

接下来生成是异步的。generate_image 和 generate_video 立刻返回 job_id；get_result 每次调用最多长轮询 30 秒，你要一直调到状态稳定为止。图片通常 10 到 60 秒到手。视频按模型和时长要 1 到 10 分钟。

对 Responses API 的现实影响是：用户的一轮请求可能需要四五次服务端工具调用，如果你的集成把工具步数卡在两步，Grok 会报出一个 job_id 然后停下，像点完单就回家的服务员。给它留出余量。生成类调用也请带上 idempotency_key，让重试不会变成第二次扣费。

失败会自己退款。如果 Google 的内容过滤拒绝了提示词，或者上游调用挂掉，余额会自动退回，get_result 会说明是哪一个阶段拒绝的。你不会为没拿到的视频付钱。

grok.com 也能这么做吗？

部分能，而诚实的答案里有个窟窿。

xAI 把路径写得很清楚：打开 grok.com/connectors，点 New Connector，选 Custom，然后 "Enter the MCP server URL and complete any required authentication"。服务器必须能从公网访问，我们的当然可以。同一页还写着，内置连接器各自通过 OAuth 认证。

这一页没说的是：自定义连接器接受哪些认证方式。就 "complete any required authentication" 一句话，这就是全部规范，而该页最后更新于 2026 年 7 月 17 日。

我们这边的情况是这样。我们运行着完整的 OAuth 2.1 授权服务器：动态客户端注册、S256 的 PKCE、protected resource metadata、resource indicators，整套 MCP 授权规范。任何遵循该规范的客户端连过来，我们这边一行代码都不用改，Claude 和 ChatGPT 的连接器正是这么工作的。如果 Grok 的自定义连接器走的是同一套流程，那它就会直接可用，你会看到一个带着你账号名的普通登录页。

如果它只是存下一个 URL、不发任何凭据，你会看到十个工具都出现在连接器的列表里，而每一次调用都返回 401。我们这边的工具发现是匿名的，所以连接器可能看着很健康，实际上什么都生成不了。

这里我也希望能说得更肯定。如果你试过，结果值得发一封邮件到 [email protected]，我们 MCP 页面上的兼容性表格当天就会更新。

花多少钱

价格按每次生成计算，从预付余额里扣，没有订阅。

这只杯子就是上面 cURL 示例里的提示词，写稿时真跑了一次：Nano Banana Pro 2K，扣费 $0.11，工具调用后 32 秒完成。

新账号从 $0.20 起步，够六张 Lite 图，或者一条很短的 Veo Lite 片子。够验证链路，不够评判好模型，我更愿意把这话说明白。

充值有阶梯赠送：满 $50 送 5%，满 $100 送 10%。有效的优惠码还会按同一基数再加 10%，所以带码充 $100 到账 $120。最新数字始终以价格区块为准。

Grok 自己就能出图，为什么还要绕出去？

问得公道，xAI 自家的模型列表已经回答了一半：他们有 grok-imagine-image-2.0 和 grok-imagine-video-1.5。在聊天里随手要一张图，就用它们，这种事谁也不需要 MCP 服务器。

把生成派到我们这边的理由更窄，主要关乎用哪些模型、以及账单怎么读：

• 特定的 Google 模型。 画面内文字和产品图用 Nano Banana Pro，带原生声音的视频用 Veo 3.1，既要声音又要对同一条片子做对话式修改时用 Omni Flash。
• 扣费前先知道价格。 list_models 返回实时单价，视频先报价再花钱。可以给智能体设预算，而它真的守得住。
• 所有客户端共用一份余额。 同一把密钥在 Grok、Gemini CLI、Codex 和网页工作室里都能用，所有结果落在同一份历史里。
• 失败退款，一旦流程里有内容过滤，这一条比听起来重要得多。

这条路真实的代价：多一跳网络和一个轮询循环、视频要多一步确认、Omni Flash 封顶 720p，还有客户端会在连接时缓存工具 schema —— 我们这边新增参数后，你得重新连接一次 Grok 才能把它传过来。这些都不致命，但都是真的。

FAQ

Grok 支持 MCP 服务器吗？

支持，在 API 这一侧。xAI 的 Remote MCP Tools 可用于原生 SDK、OpenAI 兼容的 Responses API 以及 Speech to Speech API，server_url 和 server_label 必填，authorization、headers 和 allowed_tools 选填。在 grok.com 上，自定义 MCP 连接器位于 Connectors → New Connector → Custom。

必须用 OAuth 吗，还是 API 密钥就够？

对 xAI API 来说，一把 bb_live_… 密钥就够，而且更简单：连同 Bearer 前缀一起放进 authorization。OAuth 更适合那些自己给用户做登录的连接器类客户端。我们的服务器在同一个端点上同时支持两种方式。

该用哪个 Grok 模型？

xAI 的 MCP 示例用的是 grok-4.6，也是他们目前的默认推荐。任何支持服务端工具的模型都行；工具本身的约定不随模型改变。

这样能生成带声音的视频吗？

可以，用带音频的 Veo 3.1，或者始终有声的 Gemini Omni Flash。要预留两步确认和一分钟以上的轮询。Omni 封顶 720p，所以不适合做全屏主视觉片。

生成失败了会怎样？

扣费会自动撤销，get_result 会返回上游给出的原因以及建议的下一步。被内容过滤挡下时，换个说法重试是值得的：同一个提示词第二次可能就过了，因为过滤判断的是生成出来的像素，而不只是这条请求。