Fetch MCP -palvelin

Mitä “Fetch” MCP -palvelin tekee?

Fetch MCP -palvelin on joustava Model Context Protocol (MCP) -palvelin, joka on suunniteltu hakemaan verkkosisältöä eri muodoissa, kuten HTML, JSON, raakateksti ja Markdown. Toimiessaan sillan tavoin AI-avustajien ja ulkoisten verkkolähteiden välillä Fetch MCP mahdollistaa AI-pohjaisten sovellusten noutaa ja muuntaa verkkodata tarpeen mukaan. Tämä antaa kehittäjille ja AI-agenteille mahdollisuuden sisällyttää dynaamista verkkosisältöä työnkulkuihinsa, oli kyse tiedon poiminnasta, sisällön tiivistämisestä tai jatkokäsittelystä. Palvelin tukee mukautettuja pyyntöotsikoita, hyödyntää moderneja fetch-API:eja ja sisältää työkaluja verkkodatan jäsentämiseen ja muuntamiseen, tehden siitä arvokkaan työkalun tehtäviin, jotka vaativat reaaliaikaista pääsyä verkkotietoon.

Kehotepohjien lista

Repositoriossa ei mainita kehotepohjia.

Resurssien lista

• Fetch MCP -palvelin ei tarjoa pysyviä resursseja. Se on suunniteltu hakemaan ja muuntamaan verkkosisältöä tarpeen mukaan.

Työkalujen lista

• fetch_html
  Hae verkkosivusto ja palauta sisältö HTML-muodossa.
  Syöte: url (pakollinen), headers (valinnainen).
  Tuloste: Verkkosivun raaka HTML-sisältö.

• fetch_json
  Hae JSON-tiedosto URL-osoitteesta.
  Syöte: url (pakollinen), headers (valinnainen).
  Tuloste: Jäsennelty JSON-sisältö.

• fetch_txt
  Hae verkkosivusto ja palauta sisältö raakatekstinä (ei HTML:ää).
  Syöte: url (pakollinen), headers (valinnainen).
  Tuloste: Raakateksti, josta HTML-tunnisteet, skriptit ja tyylit on poistettu.

• fetch_markdown
  Hae verkkosivusto ja palauta sisältö Markdown-muodossa.
  Syöte: url (pakollinen), headers (valinnainen).
  Tuloste: Verkkosivun sisältö muunnettuna Markdown-muotoon.

Tämän MCP-palvelimen käyttötapauksia

• Verkkosisällön poiminta
  Nouda HTML-, JSON- tai raakatekstiä julkisilta verkkosivuilta AI-agenttien jatkoanalyysia tai tiivistämistä varten.

• Sisällön muuntaminen
  Muunna verkkosivujen sisältö Markdown- tai raakatekstimuotoon helpompaa käyttöä tai integrointia varten muistiinpano- ja dokumentointityökaluihin.

• API-datan nouto
  Hae jäsenneltyä dataa julkisista API:sta (JSON-muodossa) työnkulkuihin, koontinäyttöihin tai LLM-pohjaisten sovellusten kontekstiksi.

• Mukautettu tiedonkeruu
  Anna mukautettuja otsikoita päästäksesi sisältöön päätepisteistä, jotka vaativat erityistä todennusta tai otsikoita — mahdollistaen kehittyneemmät datan poimintaskenaariot.

• Sisällön jäsentäminen AI-agenteille
  Anna AI-avustajille kyky jäsentää ja hyödyntää ajantasaista verkkosisältöä keskusteluissa, tutkimuksessa tai automaatiotehtävissä.

Palvelimen käyttöönotto

Windsurf

1. Varmista, että Node.js on asennettu järjestelmääsi.
2. Kloonaa Fetch MCP -repositorio ja asenna riippuvuudet (npm install).
3. Rakenna palvelin komennolla npm run build.
4. Lisää Windsurfin konfiguraatiotiedostoon seuraavat rivit:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTE PATH TO FILE HERE}/dist/index.js"
         ]
       }
     }
   }
   

5. Käynnistä Windsurf uudelleen ja varmista, että MCP-palvelin toimii.

API-avainten suojaaminen

Lisää ympäristömuuttujat tarpeen mukaan:

{
  "mcpServers": {
    "fetch": {
      "command": "node",
      "args": ["{ABSOLUTE PATH TO FILE HERE}/dist/index.js"],
      "env": {
        "API_KEY": "${FETCH_API_KEY}"
      },
      "inputs": {
        "api_key": "${FETCH_API_KEY}"
      }
    }
  }
}

Claude

1. Varmista, että Node.js on asennettu.
2. Noudata repositorion asennusohjeita (kloonaus, asennus, buildaus).
3. Muokkaa Clauden MCP-konfiguraatiota:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTE PATH TO FILE HERE}/dist/index.js"
         ]
       }
     }
   }
   

4. Tallenna tiedosto ja käynnistä Claude uudelleen.
5. Varmista, että Fetch MCP -palvelin on saatavilla.

API-avainten suojaaminen

Katso Windsurf-osio JSON-esimerkkiä varten.

Cursor

1. Asenna Node.js.
2. Kloonaa ja rakenna Fetch MCP -palvelin (npm install, npm run build).
3. Lisää Cursorin MCP-konfiguraatioon:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTE PATH TO FILE HERE}/dist/index.js"
         ]
       }
     }
   }
   

4. Tallenna ja käynnistä Cursor uudelleen.
5. Varmista onnistunut yhteys.

API-avainten suojaaminen

Käytä samaa JSON-muotoa ympäristömuuttujille kuin yllä.

Cline

1. Varmista, että Node.js on asennettu.
2. Kloonaa ja rakenna Fetch MCP -palvelin.
3. Konfiguroi Cline MCP:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTE PATH TO FILE HERE}/dist/index.js"
         ]
       }
     }
   }
   

4. Käynnistä Cline uudelleen ja varmista, että palvelin toimii.

API-avainten suojaaminen

Noudata aiempaa ympäristömuuttujaesimerkkiä.

MCP:n käyttö FlowHuntin työnkuluissa

MCP:n integrointi FlowHuntiin

Lisätäksesi MCP-palvelimet FlowHunt-työnkulkuusi, aloita lisäämällä MCP-komponentti työnkulkuun ja yhdistä se AI-agenttiin:

Klikkaa MCP-komponenttia avataksesi konfiguraatiopaneelin. Syötä järjestelmän MCP-konfiguraatio-osioon palvelimesi tiedot seuraavassa JSON-muodossa:

{
  "fetch": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Kun konfiguraatio on tehty, AI-agentti voi nyt käyttää tätä MCP:tä työkaluna kaikilla sen toiminnoilla ja ominaisuuksilla. Muista vaihtaa “fetch” palvelimesi todelliseen nimeen ja laittaa URL-osoitteeksi oman MCP-palvelimesi osoite.

Yhteenveto

Arvioisin Fetch MCP -palvelimen vankaksi 7/10. Se on käytännöllinen, sillä on selkeä dokumentaatio, asianmukainen lisenssi ja useita hyödyllisiä työkaluja, mutta siitä puuttuu kehotepohjat, pysyvät resurssit sekä tiedot juurista tai näytteenotosta.

MCP-pisteet