RAG Web Browser MCP Server

K čemu slouží MCP Server „RAG Web Browser“?

RAG Web Browser MCP Server je specializovaný nástroj navržený pro to, aby AI asistenti a velké jazykové modely (LLM) mohli pracovat s webem a získávat aktuální informace z webových stránek. Funguje lokálně a připojuje se k RAG Web Browser Actoru v režimu Standby, čímž zajišťuje plynulou komunikaci mezi AI agenty a webovým obsahem. Hlavní funkce zahrnují provádění webových vyhledávání, scrapování prvních N URL z výsledků hledání a vracení jejich očištěného obsahu jako Markdown. Dále dokáže načíst obsah jedné URL a zpřístupnit jej v uživatelsky přívětivém formátu markdown. Umožňuje tak LLM přistupovat k živým datům z webu, sumarizovat je a využívat pro výzkum, generování obsahu a automatizaci workflow.

Seznam promptů

V repozitáři ani v dokumentaci nejsou výslovně uvedeny žádné šablony promptů.

Seznam zdrojů

V dostupné dokumentaci ani repozitáři nejsou definovány žádné explicitní zdroje.

Seznam nástrojů

• search:
  Dotazuje Google Search, scrapuje prvních N URL z výsledků a vrací jejich očištěný obsah jako Markdown.
  • Argumenty:
    • query (řetězec, povinné): Hledaný výraz nebo URL
    • maxResults (číslo, volitelné): Maximální počet výsledků ke scrapování (výchozí: 1)
    • scrapingTool (řetězec, volitelné): Zvolte scrapping nástroj (‘browser-playwright’ nebo ‘raw-http’; výchozí: ‘raw-http’)
    • outputFormats (pole, volitelné): Výstupní formáty (’text’, ‘markdown’, ‘html’; výchozí: [‘markdown’])
    • requestTimeoutSecs (číslo, volitelné): Maximální čas požadavku v sekundách (výchozí: 40)

Příklady použití tohoto MCP serveru

• Automatizované vyhledávání na webu
  Umožněte AI agentům provádět živé vyhledávání na webu a získávat sumarizované informace z nejlepších výsledků – vhodné pro výzkum a odpovídání na aktuální dotazy.

• Extrakce obsahu pro RAG workflow
  Integrace s Retrieval-Augmented Generation (RAG) workflow pro získávání a zpracování webového obsahu jako spolehlivého kontextu pro odpovědi LLM.

• Sumarizace webových stránek
  Načtěte a očistěte obsah konkrétních URL, což umožní vývojářům či LLM rychle zpracovat a shrnout důležité informace.

• Sběr dat pro tržní/konkurenční analýzu
  Použijte server ke scrapování konkurenčních webů nebo zpráv z trhu a získejte aktuální informace pro byznysové aplikace.

Jak jej nastavit

Windsurf

1. Ujistěte se, že máte nainstalovaný Node.js a npm.
2. Najděte konfigurační soubor vašeho Windsurfu.
3. Přidejte RAG Web Browser MCP Server do objektu mcpServers:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

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

Zabezpečení API klíčů (Příklad)

{
  "mcpServers": {
    "rag-web-browser": {
      "command": "npx",
      "args": ["@apify/mcp-server-rag-web-browser@latest"],
      "env": {
        "APIFY_TOKEN": "process.env.APIFY_TOKEN"
      },
      "inputs": {
        "apiKey": "${APIFY_TOKEN}"
      }
    }
  }
}

Claude

1. Ověřte dostupnost Node.js a npm.
2. Otevřete konfigurační soubor Claude.
3. Přidejte MCP server následovně:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Uložte a restartujte Claude.
5. Ověřte správnost integrace.

Cursor

1. Nainstalujte Node.js a npm, pokud je nemáte.
2. Najděte konfigurační soubor Cursoru.
3. Vložte MCP Server:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Uložte konfiguraci, restartujte Cursor.
5. Ověřte, že se server objevil mezi MCP nástroji.

Cline

1. Ujistěte se, že máte nainstalovaný Node.js a npm.
2. Upravte konfiguraci Cline.
3. Přidejte následující JSON:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Uložte a restartujte Cline.
5. Ověřte připojení k MCP serveru.

Poznámka: API klíče vždy zabezpečte pomocí proměnných prostředí, jak je ukázáno v příkladu pro Windsurf.

Jak tento MCP použít uvnitř flow

Použití MCP ve FlowHunt

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

Klikněte na MCP komponentu pro otevření konfiguračního panelu. V sekci systémové MCP konfigurace vložte detaily svého MCP serveru v tomto JSON formátu:

{
  "rag-web-browser": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci bude mít AI agent možnost tento MCP používat jako nástroj se všemi jeho funkcemi. Nezapomeňte změnit “rag-web-browser” na skutečný název vašeho MCP a URL nahradit vaší vlastní adresou MCP serveru.

Přehled

Na základě níže uvedených tabulek je RAG Web Browser MCP Server zaměřený a vysoce efektivní pro úlohy spojené s webem, ale postrádá širší MCP mechanismy jako prompty a zdroje. Nabízí vše potřebné pro nastavení a bezpečný provoz, s dobře zdokumentovaným hlavním nástrojem. O podpoře sampling/roots není zmínka.

Náš názor

Tento MCP server je velmi zaměřený a funkční – ideální pro scénáře, kde potřebujete přístup k webovým datům uvnitř LLM workflow. Snadno se nastavuje, má jasnou licenci a je mírně populární. Absence šablon promptů a explicitních zdrojů omezuje jeho flexibilitu pro složitější nebo více přizpůsobená použití, ale pro RAG a živé vyhledávání na webu vyniká. Hodnocení: 7/10

MCP skóre