Fetch MCP Server

Co dělá Fetch MCP Server?

Fetch MCP Server je flexibilní server Model Context Protocol (MCP) určený pro získávání webového obsahu v různých formátech, včetně HTML, JSON, prostého textu a Markdownu. Funguje jako most mezi AI asistenty a externími webovými zdroji, což umožňuje aplikacím poháněným AI získávat a transformovat webová data na vyžádání. To dává vývojářům a AI agentům možnost začlenit dynamický webový obsah do jejich workflow, ať už pro extrakci dat, sumarizaci obsahu nebo další zpracování. Server podporuje vlastní hlavičky požadavků, využívá moderní fetch API a obsahuje nástroje pro parsování a převod webových dat, což z něj dělá cenný nástroj pro úkoly vyžadující přístup k online informacím v reálném čase.

Seznam promptů

V repozitáři nejsou uvedeny žádné šablony promptů.

Seznam zdrojů

• Fetch MCP Server neposkytuje žádné perzistentní zdroje. Je navržen pro získávání a transformaci webového obsahu na vyžádání.

Seznam nástrojů

• fetch_html
  Získá webovou stránku a vrátí obsah ve formátu HTML.
  Vstup: url (povinné), headers (volitelné).
  Výstup: Syrový HTML obsah webové stránky.

• fetch_json
  Načte JSON soubor z URL.
  Vstup: url (povinné), headers (volitelné).
  Výstup: Zpracovaný JSON obsah.

• fetch_txt
  Získá webovou stránku a vrátí obsah jako prostý text (bez HTML).
  Vstup: url (povinné), headers (volitelné).
  Výstup: Prostý text bez HTML tagů, skriptů a stylů.

• fetch_markdown
  Získá webovou stránku a vrátí obsah jako Markdown.
  Vstup: url (povinné), headers (volitelné).
  Výstup: Obsah stránky převedený do formátu Markdown.

Příklady použití tohoto MCP serveru

• Extrakce webového obsahu
  Získejte HTML, JSON nebo prostý text z veřejných webů pro další analýzu nebo sumarizaci AI agenty.

• Transformace obsahu
  Převádějte webový obsah do formátu Markdown nebo prostého textu pro jednodušší čtení či integraci do poznámkových a dokumentačních nástrojů.

• Získávání dat z API
  Získávejte strukturovaná data z veřejných API (ve formátu JSON) pro použití v tokách, dashboardech nebo jako kontext pro aplikace poháněné LLM.

• Vlastní sběr dat
  Použijte vlastní hlavičky pro přístup ke zdrojům vyžadujícím specifickou autentizaci nebo hlavičky, což umožňuje pokročilejší scénáře získávání dat.

• Parsování obsahu pro AI agenty
  Vybavte AI asistenty schopností parsovat a využívat aktuální webový obsah během konverzací, výzkumu nebo automatizace.

Jak to nastavit

Windsurf

1. Ujistěte se, že máte na svém systému nainstalovaný Node.js.
2. Naklonujte repozitář Fetch MCP a nainstalujte závislosti (npm install).
3. Sestavte server pomocí npm run build.
4. Přidejte následující do konfiguračního souboru Windsurf:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTNÍ CESTA K SOUBORU}/dist/index.js"
         ]
       }
     }
   }
   

5. Restartujte Windsurf a ověřte, že MCP server běží.

Zabezpečení API klíčů

Vložte proměnné prostředí dle potřeby:

{
  "mcpServers": {
    "fetch": {
      "command": "node",
      "args": ["{ABSOLUTNÍ CESTA K SOUBORU}/dist/index.js"],
      "env": {
        "API_KEY": "${FETCH_API_KEY}"
      },
      "inputs": {
        "api_key": "${FETCH_API_KEY}"
      }
    }
  }
}

Claude

1. Ujistěte se, že máte nainstalovaný Node.js.
2. Postupujte podle kroků nastavení repozitáře (klonování, instalace, build).
3. Upravte Claude MCP konfiguraci:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTNÍ CESTA K SOUBORU}/dist/index.js"
         ]
       }
     }
   }
   

4. Uložte soubor a restartujte Claude.
5. Ověřte dostupnost Fetch MCP Serveru.

Zabezpečení API klíčů

Viz sekce Windsurf pro příklad JSON.

Cursor

1. Nainstalujte Node.js.
2. Naklonujte a sestavte Fetch MCP Server (npm install, npm run build).
3. Přidejte do MCP konfigurace Cursor:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTNÍ CESTA K SOUBORU}/dist/index.js"
         ]
       }
     }
   }
   

4. Uložte a restartujte Cursor.
5. Ověřte úspěšné připojení.

Zabezpečení API klíčů

Použijte stejný JSON formát jako výše pro proměnné prostředí.

Cline

1. Ujistěte se, že máte nainstalovaný Node.js.
2. Naklonujte a sestavte Fetch MCP Server.
3. Nakonfigurujte Cline MCP pomocí:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTNÍ CESTA K SOUBORU}/dist/index.js"
         ]
       }
     }
   }
   

4. Restartujte Cline a ověřte funkčnost serveru.

Zabezpečení API klíčů

Použijte příklad s proměnnými prostředí výše.

Jak používat MCP uvnitř toků

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho workflow ve FlowHunt začněte přidáním MCP komponenty do toku a propojte ji se svým AI agentem:

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

{
  "fetch": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci je AI agent schopen tento MCP používat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “fetch” na skutečný název vašeho MCP serveru a URL na vaši vlastní MCP adresu.

Přehled

Fetch MCP Server bych hodnotil solidními 7/10. Je praktický, má jasnou dokumentaci, správnou licenci a řadu užitečných nástrojů, ale chybí mu šablony promptů, perzistentní zdroje a informace o roots či podpoře vzorkování.

MCP Skóre