OpenAI WebSearch MCP Server

Co dělá “OpenAI WebSearch” MCP Server?

OpenAI WebSearch MCP Server umožňuje AI asistentům přístup k webovému vyhledávání OpenAI prostřednictvím Model Context Protocolu (MCP). Tím, že slouží jako most mezi AI modely a informacemi z webu v reálném čase, dovoluje asistentům získávat aktuální data, která nemusí být součástí jejich tréninkového korpusu. Vývojáři mohou tento server integrovat s platformami jako Claude nebo Zed a vybavit tak AI agenty možností provádět živé webové vyhledávání během konverzací. To významně rozšiřuje možnosti použití, například při odpovídání na dotazy na aktuální dění, obohacování kontextu o nové informace a zajišťuje dynamičtější a informovanější AI workflow.

Seznam promptů

V repozitáři ani dokumentaci nejsou uvedeny žádné šablony promptů.

Seznam zdrojů

V repozitáři ani dokumentaci nejsou uvedeny žádné explicitní zdroje.

Seznam nástrojů

• web_search
  Umožňuje AI volat webové vyhledávání OpenAI jako nástroj.
  • Povinné argumenty:
    • type (string): Musí být “web_search_preview”.
    • search_context_size (string): Návod pro využití kontextového okna – může být “low”, “medium” (výchozí) nebo “high”.
    • user_location (object nebo null): Obsahuje informace o poloze (type, město, země, region, časové pásmo) pro přizpůsobení vyhledávání.

Příklady použití tohoto MCP serveru

• Odpovídání na aktuální dění:
  Umožňuje AI asistentům poskytovat aktuální odpovědi vyhledáním nejnovějších informací na webu namísto spoléhání výhradně na statická tréninková data.
• Asistence při výzkumu:
  Nabízí možnost živého webového vyhledávání uživatelům, kteří hledají detailní fakta nebo souhrny v reálném čase na různá témata.
• Obohacení kontextu:
  Doplní odpovědi LLM o čerstvá data z webu a zvyšuje tak jejich relevantnost a přesnost.
• Vyhledávání s ohledem na polohu:
  Využívá zadané údaje o poloze uživatele pro přizpůsobení výsledků vyhledávání, takže odpovědi jsou více kontextové.
• Ladění a vývoj:
  Snadno můžete server MCP prozkoumat a ladit pomocí nástroje MCP inspector, což zjednodušuje integraci a řešení problémů.

Jak nastavit

Windsurf

Již brzy (v dokumentaci zatím nejsou uvedeny žádné kroky).

Claude

1. Získejte svůj OpenAI API klíč z platformy OpenAI.
2. Spusťte následující příkaz pro instalaci a automatickou konfiguraci serveru:

   OPENAI_API_KEY=sk-xxxx uv run --with uv --with openai-websearch-mcp openai-websearch-mcp-install
   

3. Alternativně nainstalujte uvx a upravte nastavení Claude:

   "mcpServers": {
     "openai-websearch-mcp": {
       "command": "uvx",
       "args": ["openai-websearch-mcp"],
       "env": {
           "OPENAI_API_KEY": "your-api-key-here"
       }
     }
   }
   

4. Nebo instalujte pomocí pip:

   pip install openai-websearch-mcp
   

   A aktualizujte nastavení:

   "mcpServers": {
     "openai-websearch-mcp": {
       "command": "python",
       "args": ["-m", "openai_websearch_mcp"],
       "env": {
           "OPENAI_API_KEY": "your-api-key-here"
       }
     }
   }
   

5. Uložte konfiguraci a případně restartujte Claude.

Zabezpečení API klíčů:
Ukládejte API klíče pomocí pole env ve vaší konfiguraci.
Příklad:

"env": {
  "OPENAI_API_KEY": "your-api-key-here"
}

Cursor

Již brzy (v dokumentaci zatím nejsou uvedeny žádné kroky).

Cline

V dokumentaci nejsou uvedeny žádné instrukce pro nastavení.

Zed

1. Získejte svůj OpenAI API klíč.
2. Pomocí uvx přidejte do svého Zed settings.json:

   "context_servers": [
     "openai-websearch-mcp": {
       "command": "uvx",
       "args": ["openai-websearch-mcp"],
       "env": {
           "OPENAI_API_KEY": "your-api-key-here"
       }
     }
   ],
   

3. Nebo pomocí pip instalace:

   "context_servers": {
     "openai-websearch-mcp": {
       "command": "python",
       "args": ["-m", "openai_websearch_mcp"],
       "env": {
           "OPENAI_API_KEY": "your-api-key-here"
       }
     }
   },
   

4. Uložte konfiguraci a restartujte Zed.

Zabezpečení API klíčů:
Použijte pole env podle výše uvedeného příkladu.

Jak tento MCP používat ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho workflow ve FlowHunt nejprve přidejte MCP komponentu do vašeho flow a propojte ji se svým AI agentem:

Kliknutím na komponentu MCP otevřete konfigurační panel. V sekci systémové konfigurace MCP vložte údaje o svém MCP serveru v tomto JSON formátu:

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

Po nastavení může AI agent tento MCP využívat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “openai-websearch-mcp” na skutečný název vašeho MCP serveru a URL na adresu vašeho MCP endpointu.

Přehled

Mezi těmito tabulkami:
Tento MCP server je zaměřený a dobře zdokumentovaný pro svůj hlavní případ použití (webové vyhledávání pro LLM), ale postrádá pokročilé MCP funkce jako vlastní prompty, explicitní zdroje nebo podporu sampling/roots. Celkově je robustní pro zamýšlený scénář, ale omezený v rozšiřitelnosti. Hodnocení: 5/10

MCP skóre