Tavily MCP Server

Co dělá “Tavily” MCP Server?

Tavily MCP Server je server Model Context Protocol (MCP), který rozšiřuje možnosti AI asistentů o pokročilé webové vyhledávání pomocí vyhledávacího API Tavily. Integrací tohoto serveru mohou AI modely provádět robustní webové vyhledávání, získávat přímé odpovědi na složité otázky a shromažďovat aktuální novinové články s relevantním obsahem extrahovaným AI. To zlepšuje vývojové pracovní postupy tím, že umožňuje komplexní získávání informací, odpovídání na otázky podložené důkazy a agregaci aktuálních novinek – to vše dostupné jako nástroje či zdroje v prostředích poháněných LLM. Tavily MCP Server tak překonává propast mezi AI asistenty a aktuálními, vysoce kvalitními webovými daty a zjednodušuje výzkum, automatizaci i kontextově uvědomělé AI řešení.

Seznam promptů

• tavily_web_search – Vyhledávejte na webu pomocí AI poháněného vyhledávače Tavily.
• tavily_answer_search – Proveďte vyhledávání na webu a získejte AI generovanou odpověď s podpůrnými důkazy.
• tavily_news_search – Prohledejte aktuální novinové články pomocí vyhledávání novinek Tavily.

Seznam zdrojů

• V dokumentaci repozitáře nebyla nalezena explicitní sekce zdrojů.

Seznam nástrojů

• tavily_web_search
  Provádí komplexní webové vyhledávání s extrakcí obsahu pomocí AI.
  • Parametry: query, max_results, search_depth, include_domains, exclude_domains
• tavily_answer_search
  Vyhledává na webu a generuje přímé odpovědi s podpůrnými důkazy.
  • Parametry: query, max_results, search_depth, include_domains, exclude_domains
• tavily_news_search
  Vyhledává aktuální novinové články s datem publikace.
  • Parametry: query, max_results, days, include_domains, exclude_domains

Příklady použití tohoto MCP Serveru

• Komplexní webové vyhledávání
  Vývojáři mohou provádět rozsáhlé vyhledávání jakéhokoliv tématu s výsledky extrahovanými a shrnutými pomocí AI pro snadné použití v jejich pracovních postupech.
• Přímé odpovídání na otázky
  Umožňuje AI asistentům vrátit přímé, důkazy podložené odpovědi na dotazy uživatelů, což zlepšuje přesnost a zkracuje čas potřebný na výzkum.
• Agregace novinek
  Získejte a shrnujte nejnovější novinové články související s dotazem, abyste byli neustále informováni o aktuálním dění či trendech.
• Doménově specifické vyhledávání
  Omezte vyhledávání na konkrétní domény nebo naopak některé domény vylučte, což umožní cílený výzkum (např. akademické, firemní či oborově specifické informace).
• Shromažďování důkazů
  Sbírejte podpůrné odkazy a reference pro odpovědi a zprávy, což umožňuje transparentní a ověřitelné výstupy pro rozhodování či dokumentaci.

Jak to nastavit

Windsurf

1. Ujistěte se, že máte Python 3.11+ a Tavily API klíč.
2. Nainstalujte balíček:

   pip install mcp-tavily
   

3. Najděte svůj konfigurační soubor Windsurf.
4. Přidejte Tavily MCP Server do mcpServers:

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily",
         "args": []
       }
     }
   }
   

5. Uložte soubor a restartujte Windsurf.
6. Ověřte, že server běží a je dostupný.

Zabezpečení API klíčů:
Použijte proměnné prostředí pro svůj Tavily API klíč:

{
  "mcpServers": {
    "tavily": {
      "command": "mcp-tavily",
      "env": {
        "TAVILY_API_KEY": "VÁŠ_TAVILY_API_KLÍČ"
      },
      "inputs": {}
    }
  }
}

Claude

1. Nainstalujte mcp-tavily do svého prostředí.
2. Upravte konfigurační soubor Claude tak, aby obsahoval:

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily"
       }
     }
   }
   

3. Přidejte svůj Tavily API klíč do sekce env, jak je uvedeno výše.
4. Restartujte Claude a ověřte připojení.

Cursor

1. Ujistěte se, že je nainstalován mcp-tavily.
2. Otevřete konfiguraci Cursoru.
3. Vložte:

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily"
       }
     }
   }
   

4. Umístěte svůj Tavily API klíč do pole env, pokud je podporováno.
5. Uložte a restartujte Cursor.

Cline

1. Nainstalujte mcp-tavily pomocí pip nebo uv.
2. Upravte konfigurační soubor Cline:

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily"
       }
     }
   }
   

3. Přidejte svůj API klíč do sekce env.
4. Uložte a restartujte Cline.

Jak používat tento MCP ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do workflow FlowHunt začněte přidáním MCP komponenty do svého flow a připojte ji ke svému AI agentovi:

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

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

Jakmile je vše nakonfigurováno, AI agent nyní může tento MCP používat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “tavily” na skutečný název vašeho MCP serveru (například “github-mcp”, “weather-api” apod.) a URL nahraďte vlastní adresou MCP serveru.

Přehled

Náš názor

Tavily MCP Server poskytuje dobře definovanou sadu vyhledávacích nástrojů, jasné šablony promptů a přímočaré kroky instalace a konfigurace. Chybí mu však explicitní definice zdrojů a nezmiňuje pokročilé MCP funkce jako kořeny (roots) nebo vzorkování. Vzhledem k zaměřené funkcionalitě a dobré dokumentaci, ale absenci některých MCP primitiv, hodnotíme jeho praktické využití na 7/10.

MCP skóre