خادم Tavily MCP

ماذا يفعل خادم “Tavily” MCP؟

يعمل خادم Tavily MCP (بروتوكول سياق النماذج) كجسر بين مساعدي الذكاء الاصطناعي والويب، مما يمكنهم من البحث المتقدم في الوقت الحقيقي ووظائف استخراج البيانات. من خلال الاستفادة من معيار MCP المفتوح، يتيح Tavily التكامل السلس والآمن لأدواته المتطورة مباشرة في سير عمل تطوير الذكاء الاصطناعي. عبر خادم Tavily MCP، يمكن لنماذج الذكاء الاصطناعي إجراء بحث مباشر في الويب، واستخراج بيانات منظمة من صفحات الويب، ورسم خرائط لهياكل المواقع، وحتى زحف النطاقات بالكامل. هذا يعزز بشكل كبير من الوعي السياقي وقدرة الوقت الفعلي لوكلاء الذكاء الاصطناعي، ويدعم مهام مثل استرجاع المعلومات، والبحث، وبناء الرسوم البيانية المعرفية. يعد خادم Tavily MCP بذلك منصة قوية لربط الذكاء الاصطناعي ببيانات وموارد الويب الخارجية، ويفتح آفاقًا جديدة للأتمتة الذكية والأنظمة المعتمدة على الذكاء الاصطناعي.

قائمة المطالبات

لم يتم ذكر قوالب مطالبات مباشرة في محتوى المستودع المقدم.

قائمة الموارد

لم يتم وصف موارد صريحة في محتوى المستودع.

قائمة الأدوات

• tavily-search: يوفر إمكانيات بحث ويب في الوقت الحقيقي، مما يسمح لوكلاء الذكاء الاصطناعي بجلب معلومات محدثة من الإنترنت.
• tavily-extract: يمكّن من استخراج ذكي للبيانات المنظمة من صفحات الويب، مما يسهل استرجاع المحتوى والحقائق ذات الصلة.
• tavily-map: ينشئ خريطة منظمة لموقع إلكتروني، مما يساعد أنظمة الذكاء الاصطناعي على فهم بنية الموقع والعلاقات بين الصفحات.
• tavily-crawl: يستكشف ويزحف المواقع بشكل منهجي، ويجمع البيانات على نطاق واسع لتحليل شامل للويب.

حالات استخدام هذا الخادم MCP

• تكامل البحث في الويب في الوقت الحقيقي: يمكن للمطورين تمكين وكلاء الذكاء الاصطناعي من استرجاع أحدث المعلومات من الويب، ودعم تطبيقات تجميع الأخبار، والبحث، والتحقق من الحقائق.
• استخراج البيانات المؤتمت: يمكن لأنظمة الذكاء الاصطناعي استخراج بيانات منظمة من مصادر ويب متنوعة، مما يتيح حالات استخدام مثل تحليل السوق، وتوليد العملاء، أو البحث الأكاديمي.
• رسم خرائط وتحليل المواقع: مفيد لتحليل SEO، والاستخبارات التنافسية، والتدقيقات التقنية من خلال إنشاء خرائط منظمة للمواقع.
• زحف الويب لبناء الرسوم البيانية المعرفية: يسمح الزحف المنهجي للمطورين ببناء رسوم بيانية معرفية أو مجموعات بيانات واسعة النطاق عن طريق جمع المعلومات من نطاقات مستهدفة.
• تعزيز الوعي السياقي لوكلاء الذكاء الاصطناعي: من خلال الاستفادة من أدوات البحث والاستخراج، يمكن للمطورين بناء ذكاء اصطناعي يستجيب بدقة أكبر لاستفسارات المستخدمين بسياق ويب محدث.

كيفية إعداده

Windsurf

1. تأكد من تثبيت Node.js.
2. حدد موقع ملف إعدادات Windsurf الخاص بك (مثال: windsurf.config.json).
3. أضف خادم Tavily MCP باستخدام مقطع JSON التالي:

   {
     "mcpServers": {
       "tavily-mcp": {
         "command": "npx",
         "args": ["@tavily-ai/tavily-mcp@latest"]
       }
     }
   }
   

4. احفظ الملف وأعد تشغيل Windsurf.
5. تحقق من الإعداد من خلال التأكد من توفر أدوات Tavily MCP.

تأمين مفاتيح API (Windsurf)

{
  "mcpServers": {
    "tavily-mcp": {
      "command": "npx",
      "args": ["@tavily-ai/tavily-mcp@latest"],
      "env": {
        "TAVILY_API_KEY": "${TAVILY_API_KEY}"
      },
      "inputs": {
        "api_key": "${TAVILY_API_KEY}"
      }
    }
  }
}

احتفظ بمفتاح Tavily API الخاص بك في متغير بيئة لمزيد من الأمان.

Claude

1. قم بتثبيت Node.js.
2. افتح ملف إعدادات Claude الخاص بك.
3. أضف إعدادات خادم Tavily MCP:

   {
     "mcpServers": {
       "tavily-mcp": {
         "command": "npx",
         "args": ["@tavily-ai/tavily-mcp@latest"]
       }
     }
   }
   

4. احفظ التغييرات وأعد تشغيل Claude.
5. تحقق من وجود أدوات Tavily في واجهة Claude.

تأمين مفاتيح API (Claude)

{
  "mcpServers": {
    "tavily-mcp": {
      "command": "npx",
      "args": ["@tavily-ai/tavily-mcp@latest"],
      "env": {
        "TAVILY_API_KEY": "${TAVILY_API_KEY}"
      },
      "inputs": {
        "api_key": "${TAVILY_API_KEY}"
      }
    }
  }
}

Cursor

1. تأكد من تثبيت Node.js على نظامك.
2. عدل ملف إعدادات Cursor الخاص بك.
3. أضف ما يلي تحت خوادم MCP:

   {
     "mcpServers": {
       "tavily-mcp": {
         "command": "npx",
         "args": ["@tavily-ai/tavily-mcp@latest"]
       }
     }
   }
   

4. احفظ وأعد تشغيل Cursor.
5. تأكد من توفر Tavily MCP.

تأمين مفاتيح API (Cursor)

{
  "mcpServers": {
    "tavily-mcp": {
      "command": "npx",
      "args": ["@tavily-ai/tavily-mcp@latest"],
      "env": {
        "TAVILY_API_KEY": "${TAVILY_API_KEY}"
      },
      "inputs": {
        "api_key": "${TAVILY_API_KEY}"
      }
    }
  }
}

Cline

1. قم بتثبيت Node.js.
2. حدد وافتح إعدادات Cline الخاصة بك.
3. أضف إدخال خادم Tavily MCP:

   {
     "mcpServers": {
       "tavily-mcp": {
         "command": "npx",
         "args": ["@tavily-ai/tavily-mcp@latest"]
       }
     }
   }
   

4. احفظ ملف الإعدادات وأعد تشغيل Cline.
5. تحقق عبر تشغيل أمر أو أداة متعلقة بـ Tavily.

تأمين مفاتيح API (Cline)

{
  "mcpServers": {
    "tavily-mcp": {
      "command": "npx",
      "args": ["@tavily-ai/tavily-mcp@latest"],
      "env": {
        "TAVILY_API_KEY": "${TAVILY_API_KEY}"
      },
      "inputs": {
        "api_key": "${TAVILY_API_KEY}"
      }
    }
  }
}

احرص دائمًا على تخزين مفاتيح API الحساسة في متغيرات البيئة بدلاً من كتابتها مباشرة.

كيفية استخدام هذا MCP داخل التدفقات

استخدام MCP في FlowHunt

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

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

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

بمجرد تكوينه، يصبح وكيل الذكاء الاصطناعي قادرًا على استخدام هذا MCP كأداة مع إمكانية الوصول إلى جميع وظائفه وقدراته. تذكر تغيير “tavily-mcp” إلى اسم خادم MCP الخاص بك واستبدال الرابط بعنوان خادم MCP الخاص بك.

نظرة عامة

استنادًا إلى اكتمال التوثيق وتوفر الأدوات، ولكن مع بعض النواقص في الموارد وقوالب المطالبات، أقيّم مستودع خادم MCP هذا بـ 7/10 لإمكانية التكامل العملي والاستخدام الواقعي.

درجة MCP