Tavily MCP Server

Hvad gør “Tavily” MCP Server?

Tavily MCP Server er en Model Context Protocol (MCP) server, der styrker AI-assistenter med avancerede websøgningsevner via Tavily’s søge-API. Ved integration med denne server kan AI-modeller udføre robuste websøgninger, hente direkte svar på komplekse spørgsmål og indsamle nylige nyhedsartikler med AI-udtrukket relevant indhold. Dette forbedrer udviklingsarbejdet ved at muliggøre opgaver såsom omfattende informationssøgning, evidensbaseret spørgsmål/svar og opdateret nyhedsaggregation—alt sammen tilgængeligt som værktøjer eller ressourcer i LLM-drevne miljøer. Tavily MCP Server bygger således bro mellem AI-assistenter og realtids-webdata af høj kvalitet, hvilket strømliner forskning, automatisering og kontekstbevidste AI-løsninger.

Liste over Prompts

• tavily_web_search – Søg på nettet med Tavily’s AI-drevne søgemaskine.
• tavily_answer_search – Søg på nettet og få et AI-genereret svar med understøttende evidens.
• tavily_news_search – Søg efter nylige nyhedsartikler med Tavily’s nyhedssøgning.

Klar til at vokse din virksomhed?

Start din gratis prøveperiode i dag og se resultater inden for få dage.

Anmod om demo Log ind

Liste over Ressourcer

• Ingen eksplicit ressourcesection fundet i repository-dokumentationen.

Liste over Værktøjer

• tavily_web_search
  Udfører omfattende websøgninger med AI-drevet indholdsekstraktion.
  • Parametre: query, max_results, search_depth, include_domains, exclude_domains
• tavily_answer_search
  Websøgning og genererer direkte svar med understøttende evidens.
  • Parametre: query, max_results, search_depth, include_domains, exclude_domains
• tavily_news_search
  Søger nylige nyhedsartikler med udgivelsesdatoer.
  • Parametre: query, max_results, days, include_domains, exclude_domains

Tilmeld dig vores nyhedsbrev

Få de seneste tips, trends og tilbud gratis.

E-mailadresse

Tilmeld

Anvendelsestilfælde for denne MCP Server

• Omfattende Websøgning
  Udviklere kan udføre bredspektrede søgninger om et hvilket som helst emne, hvor resultaterne udtrækkes og opsummeres af AI for nem integration i deres workflows.
• Direkte Spørgsmål/Svar
  Muliggør, at AI-assistenter returnerer direkte, evidensbaserede svar på brugerforespørgsler, hvilket forbedrer nøjagtighed og reducerer researchtid.
• Nyhedsaggregation
  Indhent og opsummer de seneste nyhedsartikler relateret til en forespørgsel, så brugere holdes opdateret om aktuelle begivenheder eller trends.
• Domænespecifik Søgning
  Begræns søgninger til eller ekskluder bestemte domæner, hvilket tillader fokuseret research (f.eks. akademisk, virksomheds- eller branchespecifik information).
• Evidensindsamling
  Indsaml understøttende links og referencer til svar og rapporter, hvilket muliggør gennemsigtige og verificerbare outputs til beslutningstagning eller dokumentation.

Sådan opsættes det

Windsurf

1. Sørg for, at Python 3.11+ og en Tavily API-nøgle er tilgængelig.
2. Installer pakken:

   pip install mcp-tavily
   

3. Find din Windsurf-konfigurationsfil.
4. Tilføj Tavily MCP Server til dine mcpServers:

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

5. Gem filen og genstart Windsurf.
6. Bekræft, at serveren kører og er tilgængelig.

Sikring af API-nøgler:
Brug miljøvariabler til din Tavily API-nøgle:

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

Claude

1. Installer mcp-tavily i dit miljø.
2. Rediger Claudes konfigurationsfil til at inkludere:

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

3. Tilføj din Tavily API-nøgle i env-sektionen som ovenfor.
4. Genstart Claude og bekræft forbindelsen.

Cursor

1. Sørg for, at mcp-tavily er installeret.
2. Åbn Cursors konfiguration.
3. Indsæt:

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

4. Placer din Tavily API-nøgle i env-feltet, hvis det understøttes.
5. Gem og genstart Cursor.

Cline

1. Installer mcp-tavily via pip eller uv.
2. Rediger Cline-konfigurationsfilen:

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

3. Tilføj din API-nøgle til env-sektionen.
4. Gem og genstart Cline.

Sådan bruges denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt-workflow 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 indsæt dine MCP-serverdetaljer ved at bruge dette JSON-format:

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

Når det er konfigureret, vil AI-agenten nu kunne bruge denne MCP som et værktøj med adgang til alle dens funktioner og kapaciteter. Husk at ændre “tavily” til det faktiske navn på din MCP-server (f.eks. “github-mcp”, “weather-api” osv.) og udskift URL’en med din egen MCP-server-URL.

Oversigt

Vores vurdering

Tavily MCP Server tilbyder et veldefineret sæt søgeværktøjer, klare prompt-skabeloner samt en ligetil installations- og konfigurationsproces. Dog mangler der eksplicitte ressourcebeskrivelser og omtale af avancerede MCP-funktioner som roots eller sampling. Givet den fokuserede funktionalitet og gode dokumentation, men med manglende MCP-primitiver, vurderer vi den til 7/10 for praktisk anvendelse.

MCP Score