Serveur MCP Deep Research

Que fait le serveur MCP “Deep Research” ?

Le serveur MCP Deep Research est conçu pour faciliter la recherche approfondie sur des sujets complexes en tirant parti des capacités de l’IA pour simplifier le processus de recherche. Agissant comme un pont entre les assistants IA et les sources de données externes, il automatise l’exploration des questions de recherche, l’identification des concepts clés et la génération de rapports structurés et bien sourcés. Le serveur intègre la recherche web, l’analyse de contenu et la synthèse de rapports, aidant les utilisateurs à élaborer des questions, générer des sous-questions, collecter des ressources pertinentes et produire des conclusions fondées sur des preuves. Son principal objectif est d’offrir aux développeurs et chercheurs la possibilité de mener des investigations approfondies, d’identifier des sources autoritaires et d’automatiser l’assemblage et la présentation des résultats de recherche.

Liste des invites

• deep-research : Adaptée aux tâches de recherche approfondie avec une approche structurée.

Liste des ressources

Aucune ressource explicite n’est décrite dans la documentation ou les fichiers du dépôt disponibles.

Liste des outils

Aucun outil explicite n’est listé dans les fichiers du dépôt, y compris server.py ou équivalent.

Cas d’usage de ce serveur MCP

• Assistance à la recherche académique : Automatise l’élaboration des questions de recherche, la génération de sous-questions et la synthèse des résultats, faisant gagner du temps aux étudiants et universitaires.
• Analyse de marché ou de tendances : Permet de mener des investigations structurées sur des marchés ou tendances, en collectant des sources autorisées et en présentant des rapports équilibrés.
• Synthèse de sujets techniques : Aide développeurs et professionnels à décomposer des sujets techniques en sous-questions, organiser les résultats de recherche web et produire une documentation complète.
• Soutien à la création de contenu : Fournit aux rédacteurs et journalistes des synthèses bien sourcées et fondées sur des preuves pour des articles ou rapports sur des sujets complexes.
• Aide à la décision : Aide les décideurs à explorer différents points de vue et à recueillir les données pertinentes avant de tirer des conclusions sur des questions importantes.

Comment l’installer

Windsurf

1. Vérifiez que les prérequis comme Node.js et uv/uvx sont installés.
2. Localisez votre fichier de configuration Windsurf.
3. Ajoutez le serveur MCP Deep Research à l’objet mcpServers avec ce code :

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

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

Claude

1. Téléchargez et installez Claude Desktop depuis ici.
2. Sous macOS, exécutez :

   python setup.py
   

3. Localisez votre fichier de configuration Claude :
   • macOS : ~/Library/Application Support/Claude/claude_desktop_config.json
   • Windows : %APPDATA%/Claude/claude_desktop_config.json
4. Ajoutez ou mettez à jour votre configuration mcpServers ainsi :

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

5. Sauvegardez le fichier et redémarrez Claude.
6. Sélectionnez le template d’invite deep-research pour commencer.

Cursor

1. Assurez-vous que Node.js et uvx sont installés.
2. Localisez le fichier de configuration MCP de Cursor.
3. Ajoutez le serveur MCP Deep Research avec :

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

4. Sauvegardez la configuration et redémarrez Cursor.
5. Confirmez son bon fonctionnement.

Cline

1. Vérifiez que toutes les dépendances (Node.js, uvx) sont installées.
2. Trouvez le fichier de configuration Cline.
3. Insérez la configuration suivante du serveur MCP :

   "mcpServers": {
     "mcp-server-deep-research": {
       "command": "uvx",
       "args": [
         "--directory",
         "/path/to/mcp-server-deep-research",
         "run",
         "mcp-server-deep-research"
       ]
     }
   }
   

4. Redémarrez Cline après avoir enregistré les modifications.
5. Vérifiez l’accessibilité du serveur.

Sécurisation des clés API

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

"mcpServers": {
  "mcp-server-deep-research": {
    "command": "uvx",
    "args": [
      "--directory",
      "/path/to/mcp-server-deep-research",
      "run",
      "mcp-server-deep-research"
    ],
    "env": {
      "API_KEY": "${API_KEY}"
    },
    "inputs": {
      "api_key": "${API_KEY}"
    }
  }
}

Comment utiliser ce MCP dans les flows

Utilisation de 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 système MCP, renseignez les informations de votre serveur MCP avec ce format JSON :

{
  "mcp-server-deep-research": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Une fois configuré, l’agent IA pourra utiliser ce MCP comme outil avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer “mcp-server-deep-research” par le nom réel de votre serveur MCP et de mettre l’URL de votre serveur MCP.

Vue d’ensemble

Notre avis

Ce serveur MCP propose une documentation claire, un workflow bien décrit et des modèles d’invite, mais il manque de détails explicites sur les ressources, outils ou fonctionnalités MCP avancées telles que roots et sampling. L’absence de listes détaillées d’API ou d’outils limite sa flexibilité pour certains cas avancés. Dans l’ensemble, il est pratique pour des workflows de recherche structurée mais moins adapté aux intégrations très personnalisées.

Score MCP