Servidor MCP de OpenAI WebSearch

¿Qué hace el Servidor MCP de “OpenAI WebSearch”?

El Servidor MCP de OpenAI WebSearch permite que los asistentes de IA accedan a la funcionalidad de búsqueda web de OpenAI a través del Model Context Protocol (MCP). Actuando como un puente entre los modelos de IA y la información web en tiempo real, este servidor permite que los asistentes recuperen datos actualizados que pueden no estar presentes en su corpus de entrenamiento. Los desarrolladores pueden integrar este servidor con plataformas como Claude o Zed, dotando a sus agentes de IA de la capacidad de realizar búsquedas web en vivo durante las conversaciones. Esto mejora significativamente casos de uso como responder preguntas sobre eventos actuales, enriquecer el contexto con datos recientes y proporcionar un flujo de trabajo de desarrollo de IA más dinámico e informado.

Lista de Prompts

No hay plantillas de prompts listadas en el repositorio o la documentación.

Lista de Recursos

No se listan recursos explícitos en el repositorio o la documentación.

Lista de Herramientas

• web_search
  Permite que la IA utilice la búsqueda web de OpenAI como herramienta.
  • Argumentos requeridos:
    • type (cadena): Debe ser “web_search_preview”.
    • search_context_size (cadena): Guía sobre el uso de la ventana de contexto: puede ser “low”, “medium” (por defecto) o “high”.
    • user_location (objeto o nulo): Contiene información de ubicación (tipo, ciudad, país, región, zona horaria) para personalizar las búsquedas.

Casos de Uso de este Servidor MCP

• Responder sobre eventos actuales:
  Permite que los asistentes de IA proporcionen respuestas actualizadas buscando información reciente en la web, en lugar de depender solo de datos de entrenamiento estáticos.
• Asistencia en investigación:
  Ofrece capacidades de búsqueda web en vivo para usuarios que buscan hechos detallados y en tiempo real o resúmenes sobre una amplia gama de temas.
• Enriquecimiento de contexto:
  Complementa las respuestas de los LLM con datos recientes de la web, mejorando la relevancia y precisión de las salidas.
• Búsqueda consciente de la ubicación:
  Utiliza los detalles de ubicación proporcionados por el usuario para personalizar los resultados de búsqueda, haciendo que las respuestas sean más apropiadas en contexto.
• Depuración y desarrollo:
  Inspecciona y depura fácilmente el servidor MCP utilizando la herramienta de inspección MCP, facilitando la integración y solución de problemas.

Cómo configurarlo

Windsurf

Próximamente (no se proporcionan pasos actualmente en la documentación).

Claude

1. Obtén tu clave API de OpenAI desde la plataforma de OpenAI.
2. Ejecuta el siguiente comando para instalar y autoconfigurar el servidor:

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

3. Alternativamente, instala uvx y edita la configuración de Claude:

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

4. O instala vía pip:

   pip install openai-websearch-mcp
   

   Y actualiza la configuración:

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

5. Guarda la configuración y reinicia Claude si es necesario.

Protección de las claves API:
Guarda las claves API usando el campo env en tu configuración.
Ejemplo:

"env": {
  "OPENAI_API_KEY": "tu-api-key-aquí"
}

Cursor

Próximamente (no se proporcionan pasos actualmente en la documentación).

Cline

No se proporcionan instrucciones de configuración en la documentación.

Zed

1. Obtén tu clave API de OpenAI.
2. Usando uvx, agrega en tu settings.json de Zed:

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

3. O con instalación vía pip:

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

4. Guarda tu configuración y reinicia Zed.

Protección de las claves API:
Usa el campo env como se muestra arriba.

Cómo usar este MCP dentro de los flujos

Uso de MCP en FlowHunt

Para integrar servidores MCP en tu flujo de trabajo de FlowHunt, comienza agregando el componente MCP a tu flujo y conectándolo a tu agente de IA:

Haz clic en el componente MCP para abrir el panel de configuración. En la sección de configuración del sistema MCP, inserta los detalles de tu servidor MCP usando este formato JSON:

{
  "openai-websearch-mcp": {
    "transport": "streamable_http",
    "url": "https://tuservidormcp.ejemplo/rutadelmcp/url"
  }
}

Una vez configurado, el agente de IA podrá usar este MCP como herramienta con acceso a todas sus funciones y capacidades. Recuerda cambiar “openai-websearch-mcp” por el nombre real de tu servidor MCP y reemplazar la URL por la de tu propio servidor MCP.

Resumen

Entre estas tablas:
Este servidor MCP está enfocado y bien documentado para su caso de uso principal (acceso a búsqueda web para LLMs), pero carece de funcionalidades MCP avanzadas como prompts personalizados, recursos explícitos o soporte de sampling/roots. En general, es robusto para el escenario previsto, pero limitado en extensibilidad. Calificación: 5/10

Puntuación MCP