Serveur Debugg AI MCP

Que fait le serveur “Debugg AI” MCP ?

Le serveur Debugg AI MCP est un serveur d’automatisation du navigateur piloté par l’IA et de tests de bout en bout (E2E) construit autour du Model Context Protocol (MCP). Il permet aux assistants et agents IA d’automatiser les tests UI, de simuler le comportement utilisateur et d’analyser le rendu visuel d’applications web en cours d’exécution à l’aide de commandes en langage naturel ou d’outils CLI. Ce serveur élimine la nécessité de configurer manuellement des frameworks de test tels que Playwright ou des proxys de navigateur, offrant une solution entièrement distante et gérée qui s’intègre facilement aux environnements de développement locaux ou distants via des tunnels sécurisés. Les développeurs peuvent déclencher des tests UI à partir de user stories, suivre les résultats historiques et intégrer ces workflows dans des pipelines CI/CD, renforçant ainsi la productivité et la fiabilité du développement logiciel.

Liste des prompts

Aucune information sur les modèles de prompts n’est fournie dans le dépôt.

Liste des ressources

Aucune ressource explicite n’est listée dans le dépôt.

Liste des outils

• debugg_ai_test_page_changes
  Permet de déclencher des tests UI à partir de user stories ou de descriptions en langage naturel. Cet outil automatise les actions de navigation et les flux de test E2E, en rapportant la progression et les résultats à l’utilisateur.

Cas d’usage de ce serveur MCP

• Tests UI automatisés
  Exécutez instantanément des tests UI de bout en bout sur des applications web à partir de descriptions en langage naturel, réduisant le besoin de scripts de test manuels.
• Intégration d’applications web locales
  Testez les applications en développement exécutées sur n’importe quel port localhost, en simulant les interactions et parcours utilisateur sans configuration supplémentaire.
• Intégration continue / Déploiement continu (CI/CD)
  Intégrez les tests E2E automatisés dans les pipelines CI/CD pour valider les nouvelles modifications avant déploiement.
• Analyse du rendu visuel
  Analysez automatiquement les changements visuels et les régressions UI dans le cadre du workflow de test.
• Suivi historique des tests
  Accédez à l’historique complet des résultats de tests dans le tableau de bord Debugg.AI pour audit et amélioration.

Comment le configurer

Windsurf

1. Assurez-vous que les prérequis comme Node.js sont installés.
2. Ouvrez votre fichier de configuration Windsurf.
3. Ajoutez le serveur Debugg AI MCP à votre liste de serveurs MCP en utilisant l’extrait JSON suivant :

   {
     "mcpServers": {
       "debugg-ai-mcp": {
         "command": "npx",
         "args": ["@debugg-ai/mcp-server@latest"]
       }
     }
   }
   

4. Enregistrez la configuration et redémarrez Windsurf.
5. Vérifiez que le serveur fonctionne et est accessible.

Claude

1. Installez Node.js si ce n’est pas déjà fait.
2. Localisez la section de configuration MCP de Claude.
3. Ajoutez le serveur Debugg AI MCP :

   {
     "mcpServers": {
       "debugg-ai-mcp": {
         "command": "npx",
         "args": ["@debugg-ai/mcp-server@latest"]
       }
     }
   }
   

4. Enregistrez les modifications et redémarrez Claude.
5. Confirmez l’intégration du serveur en vérifiant la disponibilité des outils MCP.

Cursor

1. Installez Node.js sur votre système.
2. Modifiez le fichier de configuration MCP de Cursor.
3. Ajoutez l’entrée du serveur :

   {
     "mcpServers": {
       "debugg-ai-mcp": {
         "command": "npx",
         "args": ["@debugg-ai/mcp-server@latest"]
       }
     }
   }
   

4. Enregistrez et rechargez Cursor.
5. Vérifiez le registre des outils pour ceux du serveur Debugg AI.

Cline

1. Assurez-vous que Node.js est installé.
2. Ouvrez le fichier de configuration MCP de Cline.
3. Ajoutez la configuration suivante :

   {
     "mcpServers": {
       "debugg-ai-mcp": {
         "command": "npx",
         "args": ["@debugg-ai/mcp-server@latest"]
       }
     }
   }
   

4. Enregistrez le fichier et redémarrez Cline.
5. Validez la disponibilité du serveur.

Sécurisation des clés API

Pour sécuriser vos clés API, utilisez des variables d’environnement dans votre configuration :

{
  "mcpServers": {
    "debugg-ai-mcp": {
      "command": "npx",
      "args": ["@debugg-ai/mcp-server@latest"],
      "env": {
        "DEBUGG_AI_API_KEY": "${DEBUGG_AI_API_KEY}"
      },
      "inputs": {
        "apiKey": "${DEBUGG_AI_API_KEY}"
      }
    }
  }
}

Comment utiliser ce MCP dans les flows

Utilisation du MCP dans FlowHunt

Pour intégrer des serveurs MCP à votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flow et connectez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section de configuration du système MCP, insérez les détails de votre serveur MCP au format JSON suivant :

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

Une fois configuré, l’agent IA pourra utiliser ce MCP comme outil et accéder à toutes ses fonctions et capacités. N’oubliez pas de remplacer “debugg-ai-mcp” par le nom réel et l’URL par l’adresse de votre propre serveur MCP.

Vue d’ensemble

Un serveur MCP solide pour les tests E2E pilotés par IA, mais l’absence de modèles de prompts documentés et de ressources explicites limite son extensibilité pour des workflows MCP avancés. Les outils et la configuration sont simples et couvrent les cas d’utilisation essentiels de l’automatisation. Note : 6/10.

Score MCP