Debugg AI MCP Server

Hvad gør “Debugg AI” MCP Server?

Debugg AI MCP Server er en AI-drevet browserautomatiserings- og end-to-end (E2E) testserver bygget omkring Model Context Protocol (MCP). Den gør det muligt for AI-assistenter og agenter at automatisere UI-test, simulere brugeradfærd og analysere det visuelle output fra kørende webapplikationer ved hjælp af naturlige sprogkommandoer eller CLI-værktøjer. Denne server eliminerer behovet for manuel opsætning af testframeworks som Playwright eller browserproxies og tilbyder en fuldt fjernstyret, administreret løsning, der integreres problemfrit med lokale eller eksterne udviklingsmiljøer via sikre tunneller. Udviklere kan udløse UI-tests baseret på user stories, spore historiske resultater og inkorporere disse arbejdsgange i CI/CD-pipelines, hvilket øger produktivitet og pålidelighed i softwareudviklingen.

Liste over prompts

Ingen information om prompt-skabeloner er angivet i repositoryet.

Liste over ressourcer

Ingen eksplicitte ressourcer er angivet i repositoryet.

Liste over værktøjer

• debugg_ai_test_page_changes
  Muliggør udløsning af UI-tests baseret på user stories eller beskrivelser i naturligt sprog. Dette værktøj automatiserer browserhandlinger og E2E-testflows og rapporterer fremgang og resultater tilbage til brugeren.

Anvendelsestilfælde for denne MCP-server

• Automatiseret UI-test
  Kør straks end-to-end UI-tests på webapplikationer ved hjælp af beskrivelser i naturligt sprog, hvilket minimerer behovet for manuel testskrivning.
• Integration med localhost-webapps
  Test udviklingsapplikationer, der kører på enhver localhost-port, og simuler ægte brugerinteraktioner og flows uden yderligere konfiguration.
• Continuous Integration/Continuous Deployment (CI/CD)
  Integrer automatiseret E2E-test i CI/CD-pipelines, så nye kodeændringer valideres inden deployment.
• Analyse af visuelt output
  Analysér visuelle ændringer og UI-regressioner automatisk som en del af testarbejdsgangen.
• Historisk testsporing
  Få adgang til og gennemgå alle tidligere testresultater i Debugg.AI-dashboardet til revision og forbedring.

Sådan opsættes det

Windsurf

1. Sørg for, at forudsætninger som Node.js er installeret.
2. Åbn din Windsurf-konfigurationsfil.
3. Tilføj Debugg AI MCP-serveren til din liste over MCP-servere ved hjælp af følgende JSON-udsnit:

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

4. Gem konfigurationen og genstart Windsurf.
5. Bekræft, at serveren kører og er tilgængelig.

Claude

1. Installer Node.js, hvis det ikke allerede er til stede.
2. Find Claude’s MCP-konfigurationssektion.
3. Tilføj Debugg AI MCP-serveren:

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

4. Gem ændringerne og genstart Claude.
5. Bekræft serverintegration ved at tjekke for tilgængelige MCP-værktøjer.

Cursor

1. Opsæt Node.js på dit system.
2. Rediger Cursor MCP-konfigurationsfilen.
3. Indsæt serveropføringen:

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

4. Gem og genindlæs Cursor.
5. Tjek værktøjsregistret for Debugg AI serverværktøjer.

Cline

1. Sørg for, at Node.js er installeret.
2. Åbn Cline’s MCP-konfigurationsfil.
3. Tilføj følgende konfiguration:

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

4. Gem filen og genstart Cline.
5. Valider serverens tilgængelighed.

Sikring af API-nøgler

For at sikre dine API-nøgler skal du bruge miljøvariabler i din konfiguration:

{
  "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}"
      }
    }
  }
}

Sådan bruges denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt-arbejdsflow skal du starte med at tilføje MCP-komponenten til dit flow og forbinde den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. Indsæt dine MCP-serveroplysninger i systemets MCP-konfigurationssektion ved hjælp af dette JSON-format:

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

Når det er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og kapaciteter. Husk at ændre “debugg-ai-mcp” til det faktiske navn og erstatte URL’en med din egen MCP-server-URL.

Oversigt

En solid MCP-server til AI-drevet E2E-test, men manglen på dokumenterede prompt-skabeloner og eksplicitte ressourcer begrænser dens udvidelsesmuligheder for avancerede MCP-baserede arbejdsgange. Værktøjer og opsætning er ligetil, og den dækker de vigtigste automatiseringsbehov. Vurdering: 6/10.

MCP Score