Deep Research MCP Server

Was macht der “Deep Research” MCP Server?

Der Deep Research MCP Server wurde entwickelt, um umfassende Recherchen zu komplexen Themen mithilfe von KI-Fähigkeiten zu erleichtern und den Rechercheprozess effizienter zu gestalten. Er fungiert als Brücke zwischen KI-Assistenten und externen Datenquellen, automatisiert die Erkundung von Forschungsfragen, das Erkennen von Schlüsselkategorien sowie die Generierung strukturierter, gut belegter Berichte. Der Server integriert Websuche, Inhaltsanalyse und Berichtssynthese und unterstützt Nutzer dabei, Fragen auszuarbeiten, Unterfragen zu generieren, relevante Ressourcen zu sammeln und evidenzbasierte Schlussfolgerungen zu erstellen. Seine Hauptaufgabe ist es, Entwicklern und Forschenden zu ermöglichen, tiefgehende Untersuchungen durchzuführen, verlässliche Quellen zu finden und den Workflow der Recherchezusammenstellung zu automatisieren.

Liste der Prompts

• deep-research: Speziell für umfassende Recherchen mit strukturiertem Ansatz.

Liste der Ressourcen

In der verfügbaren Dokumentation oder den Repository-Dateien sind keine expliziten Ressourcen beschrieben.

Liste der Tools

In den verfügbaren Repository-Dateien, einschließlich server.py oder Äquivalenten, sind keine expliziten Tools aufgeführt.

Anwendungsfälle dieses MCP Servers

• Akademische Recherche-Unterstützung: Automatisiert die Ausarbeitung von Forschungsfragen, die Generierung von Unterfragen und die Synthese von Ergebnissen – spart Zeit für Studierende und Akademiker.
• Markt- oder Trendanalyse: Ermöglicht strukturierte Untersuchungen von Märkten oder Trends, sammelt verlässliche Quellen und präsentiert ausgewogene Berichte.
• Zusammenfassung technischer Themen: Unterstützt Entwickler und Fachleute dabei, technische Themen in Unterfragen zu zerlegen, Websuchergebnisse zu organisieren und umfassende Dokumentationen zu erstellen.
• Unterstützung bei der Inhaltserstellung: Bietet Autoren und Journalisten gut belegte, evidenzbasierte Zusammenfassungen komplexer Themen für Artikel oder Berichte.
• Entscheidungsunterstützung: Hilft Entscheidern, verschiedene Perspektiven zu prüfen und relevante Daten zu sammeln, bevor sie wichtige Schlussfolgerungen ziehen.

Einrichtung

Windsurf

1. Stellen Sie sicher, dass Voraussetzungen wie Node.js und uv/uvx installiert sind.
2. Suchen Sie Ihre Windsurf-Konfigurationsdatei.
3. Fügen Sie den Deep Research MCP Server zum mcpServers-Objekt mit folgendem Ausschnitt hinzu:

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

4. Speichern Sie die Konfiguration und starten Sie Windsurf neu.
5. Vergewissern Sie sich, dass der Server läuft und erreichbar ist.

Claude

1. Laden Sie Claude Desktop von hier herunter und installieren Sie es.
2. Unter macOS führen Sie aus:

   python setup.py
   

3. Suchen Sie Ihre Claude-Konfigurationsdatei:
   • macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
   • Windows: %APPDATA%/Claude/claude_desktop_config.json
4. Fügen Sie Ihre mcpServers-Konfiguration wie folgt hinzu oder aktualisieren Sie sie:

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

5. Speichern Sie die Datei und starten Sie Claude neu.
6. Wählen Sie die Prompt-Vorlage deep-research aus, um zu beginnen.

Cursor

1. Stellen Sie sicher, dass Node.js und uvx installiert sind.
2. Suchen Sie die Cursor MCP-Konfigurationsdatei.
3. Fügen Sie den Deep Research MCP Server wie folgt hinzu:

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

4. Speichern Sie die Konfiguration und starten Sie Cursor neu.
5. Überprüfen Sie, ob er betriebsbereit ist.

Cline

1. Stellen Sie sicher, dass alle Abhängigkeiten (Node.js, uvx) installiert sind.
2. Finden Sie die Cline-Konfigurationsdatei.
3. Fügen Sie die folgende MCP Server-Konfiguration ein:

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

4. Starten Sie Cline nach dem Speichern der Änderungen neu.
5. Überprüfen Sie die Server-Erreichbarkeit.

API-Schlüssel absichern

Um API-Schlüssel abzusichern, verwenden Sie Umgebungsvariablen in Ihrer Konfiguration. Beispiel:

"mcpServers": {
  "mcp-server-deep-research": {
    "command": "uvx",
    "args": [
      "--directory",
      "/path/to/mcp-server-deep-research",
      "run",
      "mcp-server-deep-research"
    ],
    "env": {
      "API_KEY": "${API_KEY}"
    },
    "inputs": {
      "api_key": "${API_KEY}"
    }
  }
}

Verwendung dieses MCP in Flows

MCP in FlowHunt nutzen

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. Tragen Sie im System-MCP-Konfigurationsbereich die Details Ihres MCP Servers in folgendem JSON-Format ein:

{
  "mcp-server-deep-research": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Nachdem die Konfiguration abgeschlossen ist, kann der KI-Agent diesen MCP als Tool mit Zugriff auf alle Funktionen und Möglichkeiten nutzen. Denken Sie daran, “mcp-server-deep-research” durch den tatsächlichen Namen Ihres MCP Servers zu ersetzen und die URL durch Ihre eigene MCP Server-URL auszutauschen.

Übersicht

Unsere Meinung

Dieser MCP Server bietet eine klare Dokumentation, einen gut beschriebenen Workflow und Prompt-Vorlagen, es fehlen jedoch explizite Details zu Ressourcen, Tools oder fortgeschrittenen MCP-Funktionen wie Roots und Sampling. Das Fehlen detaillierter API- oder Tool-Auflistungen schränkt seine Flexibilität für manche fortgeschrittene Szenarien ein. Insgesamt ist er praktisch für strukturierte Recherche-Workflows, aber weniger geeignet für hochgradig individuelle Integrationen.

MCP Score