OpenAI WebSearch MCP Server

Hvad gør “OpenAI WebSearch” MCP Server?

OpenAI WebSearch MCP Server gør det muligt for AI-assistenter at få adgang til OpenAI’s websøgning via Model Context Protocol (MCP). Ved at fungere som bro mellem AI-modeller og realtids webinformation, tillader denne server assistenter at hente opdaterede data, der måske ikke findes i deres træningsdata. Udviklere kan integrere denne server med platforme som Claude eller Zed og give deres AI-agenter mulighed for at udføre live websøgninger under samtaler. Dette forbedrer brugsscenarier som besvarelse af spørgsmål om aktuelle begivenheder, kontekstberigelse med nylige data og giver en mere dynamisk, informeret AI-udviklingsproces.

Liste over prompts

Ingen promptskabeloner er angivet i depotet eller dokumentationen.

Liste over ressourcer

Ingen eksplicitte ressourcer er angivet i depotet eller dokumentationen.

Liste over værktøjer

• web_search
  Giver AI mulighed for at kalde OpenAI’s websøgning som et værktøj.
  • Krævede argumenter:
    • type (string): Skal være “web_search_preview”.
    • search_context_size (string): Vejledning til kontekstvindues-brug—kan være “low”, “medium” (standard) eller “high”.
    • user_location (object eller null): Indeholder lokationsoplysninger (type, by, land, region, tidszone) til at tilpasse søgninger.

Brugsscenarier for denne MCP Server

• Besvarelse af aktuelle begivenheder:
  Gør det muligt for AI-assistenter at give opdaterede svar ved at søge på nettet efter nylig information frem for kun at stole på statiske træningsdata.
• Forskning og information:
  Tilbyder live websøgning for brugere, der søger detaljerede, realtidsfakta eller opsummeringer af en bred vifte af emner.
• Kontekstberigelse:
  Supplerer LLM-svar med friske webdata og øger relevansen og præcisionen af output.
• Lokationsbaseret søgning:
  Udnytter brugerens lokationsoplysninger til at tilpasse søgeresultater og gøre svar mere kontekstuelle.
• Fejlfinding og udvikling:
  Inspicer og fejlfind MCP-serveren let ved hjælp af MCP-inspektørværktøjet, hvilket gør integration og fejlfinding nemmere.

Sådan opsættes det

Windsurf

Kommer snart (ingen trin er i øjeblikket angivet i dokumentationen).

Claude

1. Få din OpenAI API-nøgle fra OpenAI’s platform.
2. Kør følgende kommando for at installere og autokonfigurere serveren:

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

3. Alternativt, installer uvx og rediger dine Claude-indstillinger:

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

4. Eller installer via pip:

   pip install openai-websearch-mcp
   

   Og opdater indstillingerne:

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

5. Gem konfigurationen og genstart Claude om nødvendigt.

Sikring af API-nøgler:
Opbevar API-nøgler ved at bruge env-feltet i din konfiguration.
Eksempel:

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

Cursor

Kommer snart (ingen trin er i øjeblikket angivet i dokumentationen).

Cline

Ingen opsætningsvejledning angivet i dokumentationen.

Zed

1. Få din OpenAI API-nøgle.
2. Brug uvx og tilføj til din Zed settings.json:

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

3. Eller med pip-installation:

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

4. Gem din konfiguration og genstart Zed.

Sikring af API-nøgler:
Brug env-feltet som vist ovenfor.

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. I systemets MCP-konfigurationssektion skal du indsætte dine MCP-serveroplysninger med dette JSON-format:

{
  "openai-websearch-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 muligheder. Husk at ændre “openai-websearch-mcp” til det faktiske navn på din MCP-server og udskift URL’en med din egen MCP-server-URL.

Oversigt

Mellem disse tabeller:
Denne MCP-server er fokuseret og veldokumenteret til sin kerneanvendelse (websøgning for LLMs), men mangler avancerede MCP-funktioner som brugerdefinerede prompts, eksplicitte ressourcer eller sampling/roots support. Overordnet set er den robust til det tiltænkte scenarie, men begrænset i udvidelsesmuligheder. Vurdering: 5/10

MCP-score