Debugg AI MCP Server

K čemu slouží “Debugg AI” MCP Server?

Debugg AI MCP Server je AI-poháněný server pro automatizaci prohlížeče a end-to-end (E2E) testování postavený na Model Context Protocol (MCP). Umožňuje AI asistentům a agentům automatizovat UI testování, simulovat uživatelské chování a analyzovat vizuální výstup běžících webových aplikací pomocí příkazů v přirozeném jazyce nebo CLI nástrojů. Tento server odstraňuje potřebu ručního nastavování testovacích frameworků jako Playwright nebo prohlížečových proxy a nabízí plně vzdálené, spravované řešení, které se bez problémů integruje s lokálními i vzdálenými vývojovými prostředími přes zabezpečené tunely. Vývojáři mohou spouštět UI testy na základě user stories, sledovat historii výsledků a zahrnout tyto workflowy do CI/CD pipeline, což zvyšuje produktivitu i spolehlivost při vývoji software.

Seznam promptů

V repozitáři nejsou uvedeny informace o prompt šablonách.

Seznam zdrojů

V repozitáři nejsou explicitně uvedeny žádné zdroje.

Seznam nástrojů

• debugg_ai_test_page_changes
  Umožňuje spouštět UI testy na základě user stories nebo popisu v přirozeném jazyce. Tento nástroj automatizuje akce v prohlížeči a E2E testovací flow a vrací uživateli průběh i výsledky.

Scénáře použití tohoto MCP serveru

• Automatizované UI testování
  Okamžitě spouštějte end-to-end UI testy webových aplikací pomocí popisu v přirozeném jazyce a snižujte potřebu manuálního skriptování testů.
• Integrace s localhost webovou aplikací
  Testujte vývojové aplikace běžící na libovolném localhost portu simulací skutečné interakce uživatele bez další konfigurace.
• Continuous Integration/Continuous Deployment (CI/CD)
  Integrujte automatizované E2E testování do CI/CD pipeline a zajistěte validaci nových změn před nasazením.
• Analýza vizuálního výstupu
  Automaticky analyzujte vizuální změny a UI regrese v rámci testovacího workflow.
• Historie testů
  Získejte přístup ke všem předchozím výsledkům testů v dashboardu Debugg.AI pro audit a zlepšování.

Jak jej nastavit

Windsurf

1. Ujistěte se, že máte nainstalovaný Node.js.
2. Otevřete konfigurační soubor Windsurf.
3. Přidejte Debugg AI MCP server do seznamu MCP serverů pomocí tohoto JSON úryvku:

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

4. Uložte konfiguraci a restartujte Windsurf.
5. Ověřte, že server běží a je dostupný.

Claude

1. Nainstalujte Node.js, pokud ještě není přítomen.
2. Najděte MCP konfigurační sekci Claude.
3. Přidejte Debugg AI MCP server:

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

4. Uložte změny a restartujte Claude.
5. Ověřte integraci serveru kontrolou dostupných MCP nástrojů.

Cursor

1. Nainstalujte Node.js na svůj systém.
2. Upravte MCP konfigurační soubor aplikace Cursor.
3. Vložte záznam serveru:

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

4. Uložte a restartujte Cursor.
5. Zkontrolujte registr nástrojů pro nástroje Debugg AI serveru.

Cline

1. Ujistěte se, že je nainstalován Node.js.
2. Otevřete konfigurační soubor Cline.
3. Přidejte následující konfiguraci:

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

4. Uložte soubor a restartujte Cline.
5. Ověřte dostupnost serveru.

Zabezpečení API klíčů

Pro zabezpečení API klíčů používejte environmentální proměnné v konfiguraci:

{
  "mcpServers": {
    "debugg-ai-mcp": {
      "command": "npx",
      "args": ["@debugg-ai/mcp-server@latest"],
      "env": {
        "DEBUGG_AI_API_KEY": "${DEBUGG_AI_API_KEY}"
      },
      "inputs": {
        "apiKey": "${DEBUGG_AI_API_KEY}"
      }
    }
  }
}

Jak používat tento MCP ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho workflow ve FlowHunt začněte přidáním MCP komponenty do flow a jejím propojením s AI agentem:

Klikněte na MCP komponentu pro otevření konfiguračního panelu. Do sekce systémové konfigurace MCP vložte údaje o serveru v tomto JSON formátu:

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

Po uložení může AI agent tento MCP využívat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte “debugg-ai-mcp” případně změnit na skutečný název a URL nahradit adresou vašeho MCP serveru.

Přehled

Solidní MCP server pro AI-poháněné E2E testování, avšak absence dokumentovaných prompt šablon a explicitních zdrojů omezuje rozšiřitelnost pro pokročilé MCP workflowy. Nástroje a nastavení jsou přímočaré a pokrývají klíčové scénáře automatizace. Hodnocení: 6/10.

MCP skóre