OpenAI WebSearch MCP Server

Was macht der “OpenAI WebSearch” MCP Server?

Der OpenAI WebSearch MCP Server ermöglicht es KI-Assistenten, auf die Websuchfunktionalität von OpenAI über das Model Context Protocol (MCP) zuzugreifen. Indem er als Brücke zwischen KI-Modellen und Echtzeit-Webinformationen fungiert, können Assistenten aktuelle Daten abrufen, die nicht Teil ihres Trainings-Korpus sind. Entwickler können diesen Server beispielsweise mit Plattformen wie Claude oder Zed integrieren und so ihren KI-Agenten die Möglichkeit geben, während Gesprächen Live-Websuchen durchzuführen. Das verbessert Anwendungsfälle wie das Beantworten von Fragen zu aktuellen Ereignissen, die Anreicherung des Kontexts mit aktuellen Daten und sorgt für einen dynamischen, informierten KI-Entwicklungs-Workflow.

Liste der Prompts

Im Repository oder in der Dokumentation sind keine Prompt-Vorlagen aufgeführt.

Liste der Ressourcen

Es sind keine expliziten Ressourcen im Repository oder in der Dokumentation gelistet.

Liste der Tools

• web_search
  Ermöglicht es der KI, OpenAIs Websuche als Tool aufzurufen.
  • Erforderliche Argumente:
    • type (string): Muss “web_search_preview” sein.
    • search_context_size (string): Vorgabe für die Nutzung des Kontextfensters – kann “low”, “medium” (Standard) oder “high” sein.
    • user_location (object oder null): Enthält Standortinformationen (Typ, Stadt, Land, Region, Zeitzone), um Suchergebnisse anzupassen.

Anwendungsfälle dieses MCP Servers

• Antworten auf aktuelle Ereignisse:
  Ermöglicht es KI-Assistenten, aktuelle Antworten zu liefern, indem sie das Web nach neuen Informationen durchsuchen, anstatt sich nur auf statische Trainingsdaten zu verlassen.
• Rechercheunterstützung:
  Bietet Live-Websuche für Nutzer, die detaillierte, aktuelle Fakten oder Zusammenfassungen zu verschiedensten Themen suchen.
• Kontextanreicherung:
  Ergänzt LLM-Antworten mit frischen Webdaten, um Relevanz und Genauigkeit der Ausgaben zu erhöhen.
• Ortsabhängige Suche:
  Nutzt vom Nutzer bereitgestellte Standortdaten, um Suchergebnisse gezielter und kontextgerechter zu gestalten.
• Debugging und Entwicklung:
  Einfaches Prüfen und Debuggen des MCP Servers mithilfe des MCP Inspector Tools – erleichtert Integration und Fehlersuche.

Einrichtung

Windsurf

In Kürze verfügbar (derzeit keine Schritte in der Dokumentation).

Claude

1. Besorgen Sie sich Ihren OpenAI API-Schlüssel über OpenAIs Plattform .
2. Führen Sie folgenden Befehl aus, um den Server zu installieren und automatisch zu konfigurieren:

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

3. Alternativ installieren Sie uvx und bearbeiten Ihre Claude-Einstellungen:

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

4. Oder über pip installieren:

   pip install openai-websearch-mcp
   

   Und Einstellungen aktualisieren:

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

5. Konfiguration speichern und Claude ggf. neu starten.

API-Schlüssel sicher aufbewahren:
Speichern Sie API-Schlüssel über das Feld env in Ihrer Konfiguration.
Beispiel:

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

Cursor

In Kürze verfügbar (derzeit keine Schritte in der Dokumentation).

Cline

In der Dokumentation sind keine Einrichtungsschritte angegeben.

Zed

1. Besorgen Sie sich Ihren OpenAI API-Schlüssel.
2. Mit uvx ergänzen Sie Ihre Zed-settings.json:

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

3. Oder mit pip-Installation:

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

4. Konfiguration speichern und Zed neu starten.

API-Schlüssel sicher aufbewahren:
Verwenden Sie das Feld env wie oben gezeigt.

Verwendung dieses MCP in Flows

MCP in FlowHunt nutzen

Um MCP-Server in Ihre FlowHunt-Workflows einzubinden, fügen Sie zunächst die MCP-Komponente Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationsfenster zu öffnen. Im Bereich System-MCP-Konfiguration fügen Sie Ihre MCP-Server-Daten in folgendem JSON-Format ein:

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

Ist die Konfiguration abgeschlossen, kann der KI-Agent dieses MCP als Tool mit allen Funktionen und Möglichkeiten nutzen. Achten Sie darauf, “openai-websearch-mcp” ggf. durch den tatsächlichen Namen Ihres MCP-Servers zu ersetzen und die URL entsprechend anzupassen.

Übersicht

Zwischen diesen Tabellen:
Dieser MCP Server ist fokussiert und für seinen Kernanwendungsfall (Webzugriff für LLMs) gut dokumentiert, bietet aber keine erweiterten MCP-Features wie eigene Prompts, explizite Ressourcen oder Sampling-/Roots-Unterstützung. Insgesamt robust für das vorgesehene Szenario, aber in der Erweiterbarkeit eingeschränkt. Bewertung: 5/10

MCP Score