خادم Deep Research MCP

ما الذي يقدمه خادم “Deep Research” MCP؟

تم تصميم خادم Deep Research MCP لتسهيل البحث الشامل حول المواضيع المعقدة من خلال الاستفادة من قدرات الذكاء الاصطناعي لتبسيط عملية البحث. يعمل كجسر بين المساعدين الذكيين ومصادر البيانات الخارجية، حيث يقوم بأتمتة استكشاف الأسئلة البحثية، وتحديد المفاهيم الرئيسية، وتوليد تقارير منظمة وموثقة جيداً. يدمج الخادم بين البحث على الويب، وتحليل المحتوى، وتوليف التقارير، مما يساعد المستخدمين في توسيع الأسئلة، وتوليد الأسئلة الفرعية، وجمع المصادر ذات الصلة، وإنتاج استنتاجات مبنية على الأدلة. الدور الأساسي له هو تمكين المطورين والباحثين من إجراء تحقيقات معمقة، وإبراز المصادر الموثوقة، وأتمتة سير العمل في جمع وعرض النتائج البحثية.

قائمة الـ Prompts

• deep-research: مخصص لمهام البحث الشامل بطريقة منظمة.

هل أنت مستعد لتنمية عملك؟

ابدأ تجربتك المجانية اليوم وشاهد النتائج في غضون أيام.

طلب عرض توضيحي تسجيل الدخول

قائمة الموارد

لا توجد موارد محددة موصوفة في الوثائق المتاحة أو ملفات المستودع.

قائمة الأدوات

لا توجد أدوات محددة مدرجة في ملفات المستودع المتاحة، بما في ذلك server.py أو ما يعادلها.

انضم إلى نشرتنا الإخبارية

احصل على أحدث النصائح والاتجاهات والعروض مجانًا.

عنوان البريد الإلكتروني

اشترك

حالات استخدام هذا الخادم MCP

• مساعدة البحث الأكاديمي: يؤتمت عملية توسيع الأسئلة البحثية، وتوليد الأسئلة الفرعية، وتوليف النتائج، موفراً الوقت للطلاب والأكاديميين.
• تحليل السوق أو الاتجاهات: يمكّن المستخدمين من إجراء تحقيقات منظمة حول الأسواق أو الاتجاهات، وجمع مصادر موثوقة، وتقديم تقارير متوازنة.
• تلخيص المواضيع التقنية: يساعد المطورين والمحترفين في تقسيم المواضيع التقنية إلى أسئلة فرعية، وتنظيم نتائج البحث على الويب، وإنتاج وثائق شاملة.
• دعم إنشاء المحتوى: يوفر للكتّاب والصحفيين ملخصات موثقة ومستندة إلى الأدلة حول مواضيع معقدة للمقالات أو التقارير.
• دعم اتخاذ القرار: يساعد أصحاب القرار في استكشاف وجهات نظر متعددة وجمع البيانات ذات الصلة قبل استخلاص الاستنتاجات في القضايا الهامة.

كيفية إعداده

Windsurf

1. تأكد من تثبيت المتطلبات الأساسية مثل Node.js و uv/uvx.
2. حدد موقع ملف إعدادات Windsurf الخاص بك.
3. أضف خادم Deep Research MCP إلى كائن mcpServers باستخدام المقطع التالي:

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

4. احفظ الإعدادات وأعد تشغيل Windsurf.
5. تحقق من أن الخادم يعمل ويمكن الوصول إليه.

Claude

1. قم بتنزيل وتثبيت Claude Desktop من هنا .
2. على macOS، شغّل:

   python setup.py
   

3. حدد موقع ملف إعدادات Claude:
   • macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
   • Windows: %APPDATA%/Claude/claude_desktop_config.json
4. أضف أو حدِّث إعدادات mcpServers كما يلي:

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

5. احفظ الملف وأعد تشغيل Claude.
6. اختر قالب prompt باسم deep-research للبدء.

Cursor

1. تأكد من تثبيت Node.js و uvx.
2. حدد موقع ملف إعدادات Cursor MCP.
3. أضف Deep Research MCP Server باستخدام:

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

4. احفظ الإعدادات وأعد تشغيل Cursor.
5. تأكد من أنه يعمل بشكل صحيح.

Cline

1. تأكد من تثبيت جميع الاعتماديات (Node.js، uvx).
2. ابحث عن ملف إعدادات Cline.
3. أدخل إعداد خادم MCP التالي:

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

4. أعد تشغيل Cline بعد حفظ التغييرات.
5. تحقق من إمكانية الوصول إلى الخادم.

تأمين مفاتيح API

لتأمين مفاتيح API، استخدم متغيرات البيئة في إعداداتك. مثال:

"mcpServers": {
  "mcp-server-deep-research": {
    "command": "uvx",
    "args": [
      "--directory",
      "/path/to/mcp-server-deep-research",
      "run",
      "mcp-server-deep-research"
    ],
    "env": {
      "API_KEY": "${API_KEY}"
    },
    "inputs": {
      "api_key": "${API_KEY}"
    }
  }
}

كيفية استخدام هذا الخادم MCP داخل الـ flows

استخدام MCP في FlowHunt

لدمج خوادم MCP في سير عمل FlowHunt الخاص بك، ابدأ بإضافة مكون MCP إلى التدفق وربطه بوكيل الذكاء الاصطناعي الخاص بك:

انقر على مكون MCP لفتح لوحة الإعدادات. في قسم إعدادات النظام MCP، أدخل تفاصيل خادم MCP الخاص بك باستخدام هذا التنسيق من JSON:

{
  "mcp-server-deep-research": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

بمجرد الإعداد، سيتمكن وكيل الذكاء الاصطناعي من استخدام هذا الخادم MCP كأداة والوصول إلى جميع وظائفه وقدراته. تذكر تبديل “mcp-server-deep-research” إلى اسم خادم MCP الفعلي الخاص بك واستبدال الرابط بعنوان MCP server الخاص بك.

نظرة عامة

رأينا

يوفر هذا الخادم MCP وثائق واضحة، وسير عمل موصوف بشكل جيد، وقوالب prompts، لكنه يفتقر لتفاصيل صريحة حول الموارد، الأدوات، أو ميزات MCP المتقدمة مثل الجذور (roots) وsampling. غياب تفاصيل واجهة برمجة التطبيقات (API) أو قائمة الأدوات يحد من مرونته في بعض السيناريوهات المتقدمة. بشكل عام، هو عملي لسير عمل البحث المنظم، لكن أقل ملاءمة للتكاملات المخصصة للغاية.

تقييم MCP