RAG Web Browser MCP Server

Was macht der “RAG Web Browser” MCP Server?

Der RAG Web Browser MCP Server ist ein spezialisiertes Tool, das KI-Assistenten und großen Sprachmodellen (LLMs) die Fähigkeit gibt, mit dem Web zu interagieren und aktuelle Informationen von Webseiten zu extrahieren. Er arbeitet lokal und verbindet sich im Standby-Modus mit dem RAG Web Browser Actor, wodurch eine nahtlose Kommunikation zwischen KI-Agenten und Web-Inhalten ermöglicht wird. Zu den Hauptfunktionen zählen das Durchführen von Websuchen, das Scrapen der obersten N URLs aus den Suchergebnissen und die Rückgabe der bereinigten Inhalte als Markdown. Zusätzlich kann der Inhalt einer einzelnen URL abgerufen und in einem benutzerfreundlichen Markdown-Format präsentiert werden. Dies ermöglicht LLMs den Zugriff auf Live-Webdaten, deren Zusammenfassung und Nutzung für Recherche, Content-Generierung und Workflow-Automatisierung.

Liste der Prompts

Es sind keine Prompt-Vorlagen explizit im Repository oder in der Dokumentation genannt.

Liste der Ressourcen

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

Liste der Tools

• search:
  Google-Suche abfragen, die obersten N URLs aus den Ergebnissen extrahieren und deren bereinigte Inhalte als Markdown zurückgeben.
  • Argumente:
    • query (string, erforderlich): Suchbegriff oder URL
    • maxResults (number, optional): Maximale Anzahl der zu scrapenden Suchergebnisse (Standard: 1)
    • scrapingTool (string, optional): Scraping-Tool auswählen (‘browser-playwright’ oder ‘raw-http’; Standard: ‘raw-http’)
    • outputFormats (array, optional): Ausgabeformate (’text’, ‘markdown’, ‘html’; Standard: [‘markdown’])
    • requestTimeoutSecs (number, optional): Maximale Zeit in Sekunden für die Anfrage (Standard: 40)

Anwendungsfälle für diesen MCP Server

• Automatisierte Websuche
  Ermöglicht KI-Agenten, Live-Websuchen durchzuführen und zusammengefasste Informationen aus den Top-Ergebnissen abzurufen – ideal für Recherche und aktuelle Fragestellungen.

• Inhalts-Extraktion für RAG-Pipelines
  Integration in Retrieval-Augmented Generation (RAG)-Workflows, um Web-Inhalte als zuverlässigen Kontext für LLM-Antworten zu nutzen.

• Zusammenfassung von Webseiten
  Abrufen und Bereinigen von Inhalten einzelner URLs, damit Entwickler oder LLMs relevante Informationen schnell aufnehmen und zusammenfassen können.

• Datensammlung für Markt-/Wettbewerbsanalysen
  Nutzen Sie den Server, um Wettbewerberseiten oder Marktnews zu scrapen und so Echtzeit-Intelligenz für Business-Anwendungen zu erhalten.

Einrichtung

Windsurf

1. Stellen Sie sicher, dass Node.js und npm installiert sind.
2. Suchen Sie Ihre Windsurf-Konfigurationsdatei.
3. Fügen Sie den RAG Web Browser MCP Server zum mcpServers-Objekt hinzu:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

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

API-Keys absichern (Beispiel)

{
  "mcpServers": {
    "rag-web-browser": {
      "command": "npx",
      "args": ["@apify/mcp-server-rag-web-browser@latest"],
      "env": {
        "APIFY_TOKEN": "process.env.APIFY_TOKEN"
      },
      "inputs": {
        "apiKey": "${APIFY_TOKEN}"
      }
    }
  }
}

Claude

1. Node.js und npm-Verfügbarkeit prüfen.
2. Öffnen Sie die Konfigurationsdatei von Claude.
3. Fügen Sie den MCP Server wie folgt hinzu:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Speichern und starten Sie Claude neu.
5. Prüfen Sie die Integration.

Cursor

1. Installieren Sie Node.js und npm, falls erforderlich.
2. Finden Sie die Cursor-Konfigurationsdatei.
3. Fügen Sie den MCP Server ein:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Speichern Sie die Konfiguration, starten Sie Cursor neu.
5. Vergewissern Sie sich, dass der Server in den MCP-Tools erscheint.

Cline

1. Stellen Sie sicher, dass Node.js und npm installiert sind.
2. Bearbeiten Sie Clines Konfiguration.
3. Fügen Sie folgendes JSON hinzu:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Speichern und starten Sie Cline neu.
5. Verbindung zum MCP-Server validieren.

Hinweis: Sichern Sie Ihre API-Keys per Umgebungsvariablen wie im Windsurf-Beispiel.

Nutzung dieses MCP in Flows

MCP in FlowHunt verwenden

Um MCP-Server in Ihren FlowHunt-Workflow einzubinden, fügen Sie die MCP-Komponente Ihrem Flow hinzu und verbinden Sie diese mit Ihrem KI-Agenten:

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

{
  "rag-web-browser": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Nach der Konfiguration kann der KI-Agent diesen MCP als Tool mit allen Funktionen und Möglichkeiten verwenden. Denken Sie daran, “rag-web-browser” durch den tatsächlichen Namen Ihres MCP-Servers und die URL durch Ihre eigene MCP-Server-URL zu ersetzen.

Übersicht

Laut der folgenden Tabelle ist der RAG Web Browser MCP Server schlank und gezielt auf Web-Interaktion ausgerichtet, bietet aber keine weitergehenden MCP-Primitiven wie Prompts und Ressourcen. Für Einrichtung und sicheren Betrieb ist alles Wesentliche enthalten, das Haupt-Tool ist sehr gut dokumentiert. Sampling- und Roots-Support werden nicht erwähnt.

Unsere Meinung

Der MCP Server ist fokussiert und funktional – ideal für Szenarien, die Webdatenzugriff in LLM-Workflows benötigen. Er ist einfach einzurichten, hat eine klare Lizenz und ist moderat beliebt. Das Fehlen von Prompt-Vorlagen und expliziten Ressourcen limitiert die Flexibilität für sehr angepasste oder komplexere Use Cases, aber für RAG und Live-Websuche überzeugt er. Bewertung: 7/10

MCP Score