Debugg AI MCP Server

Was macht der “Debugg AI” MCP Server?

Der Debugg AI MCP Server ist ein KI-gestützter Browserautomatisierungs- und End-to-End-(E2E)-Testserver, der auf dem Model Context Protocol (MCP) basiert. Er ermöglicht KI-Assistenten und Agenten, UI-Tests zu automatisieren, Benutzerverhalten zu simulieren und die visuelle Ausgabe laufender Webanwendungen durch natürliche Sprachbefehle oder CLI-Tools zu analysieren. Das manuelle Aufsetzen von Testframeworks wie Playwright oder Browser-Proxies entfällt, da eine vollständig ferngesteuerte, verwaltete Lösung geboten wird, die sich nahtlos per sichere Tunnel in lokale oder entfernte Entwicklungsumgebungen integrieren lässt. Entwickler können UI-Tests anhand von User Stories auslösen, historische Ergebnisse verfolgen und diese Workflows in CI/CD-Pipelines einbinden – für mehr Produktivität und Zuverlässigkeit in der Softwareentwicklung.

Liste der Prompts

Im Repository sind keine Informationen zu Prompt-Vorlagen enthalten.

Liste der Ressourcen

Im Repository sind keine expliziten Ressourcen aufgelistet.

Liste der Tools

• debugg_ai_test_page_changes
  Ermöglicht das Auslösen von UI-Tests basierend auf User Stories oder natürlichsprachigen Beschreibungen. Dieses Tool automatisiert Browseraktionen und E2E-Testabläufe und meldet Fortschritte sowie Ergebnisse an den Nutzer zurück.

Anwendungsfälle dieses MCP-Servers

• Automatisiertes UI-Testing
  Führen Sie End-to-End-UI-Tests auf Webanwendungen sofort anhand natürlichsprachiger Beschreibungen durch – das reduziert den Aufwand für manuelle Testskripte.
• Integration von localhost-Webanwendungen
  Testen Sie Entwicklungsanwendungen auf beliebigen localhost-Ports, simulieren Sie reale Nutzerinteraktionen und -abläufe ohne zusätzliche Konfiguration.
• Continuous Integration/Continuous Deployment (CI/CD)
  Integrieren Sie automatisierte E2E-Tests in Ihre CI/CD-Pipelines, damit neue Codeänderungen vor Auslieferung validiert werden.
• Visuelle Ausgabenauswertung
  Analysieren Sie visuelle Änderungen und UI-Regressions automatisch im Test-Workflow.
• Historische Testverfolgung
  Greifen Sie im Debugg.AI-Dashboard auf alle bisherigen Testergebnisse zu und werten Sie diese aus.

So richten Sie es ein

Windsurf

1. Stellen Sie sicher, dass Voraussetzungen wie Node.js installiert sind.
2. Öffnen Sie Ihre Windsurf-Konfigurationsdatei.
3. Fügen Sie den Debugg AI MCP Server zu Ihrer Liste der MCP-Server mit folgendem JSON-Snippet hinzu:

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

4. Speichern Sie die Konfiguration und starten Sie Windsurf neu.
5. Überprüfen Sie, ob der Server läuft und erreichbar ist.

Claude

1. Installieren Sie Node.js, falls noch nicht vorhanden.
2. Suchen Sie den MCP-Konfigurationsabschnitt von Claude.
3. Fügen Sie den Debugg AI MCP Server hinzu:

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

4. Speichern Sie die Änderungen und starten Sie Claude neu.
5. Bestätigen Sie die Server-Integration, indem Sie nach verfügbaren MCP-Tools suchen.

Cursor

1. Richten Sie Node.js auf Ihrem System ein.
2. Bearbeiten Sie die MCP-Konfigurationsdatei von Cursor.
3. Fügen Sie diesen Server-Eintrag ein:

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

4. Speichern Sie und laden Sie Cursor neu.
5. Überprüfen Sie das Tool-Registry auf die Debugg AI Server Tools.

Cline

1. Stellen Sie sicher, dass Node.js installiert ist.
2. Öffnen Sie die MCP-Konfigurationsdatei von Cline.
3. Fügen Sie die folgende Konfiguration hinzu:

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

4. Speichern Sie die Datei und starten Sie Cline neu.
5. Überprüfen Sie die Verfügbarkeit des Servers.

API-Keys sichern

Um Ihre API-Keys zu sichern, verwenden Sie Umgebungsvariablen in Ihrer 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}"
      }
    }
  }
}

So nutzen Sie diesen MCP in Flows

MCP-Nutzung in FlowHunt

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Fügen Sie im System-MCP-Konfigurationsbereich Ihre MCP-Serverdetails in folgendem JSON-Format ein:

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

Nach der Konfiguration kann der KI-Agent diesen MCP als Tool mit Zugriff auf alle Funktionen und Fähigkeiten nutzen. Denken Sie daran, “debugg-ai-mcp” durch den tatsächlichen Namen und die URL durch Ihre eigene MCP-Server-URL zu ersetzen.

Übersicht

Ein solider MCP-Server für KI-gesteuertes E2E-Testing, aber das Fehlen dokumentierter Prompt-Vorlagen und expliziter Ressourcen begrenzt die Erweiterbarkeit für fortgeschrittene MCP-basierte Workflows. Tooling und Setup sind unkompliziert und die wichtigsten Automatisierungs-Use-Cases werden abgedeckt. Bewertung: 6/10.

MCP-Score