Serveur Tavily MCP

Que fait le serveur “Tavily” MCP ?

Le serveur Tavily MCP est un serveur Model Context Protocol (MCP) qui dote les assistants IA de capacités avancées de recherche web grâce à l’API de recherche de Tavily. En intégrant ce serveur, les modèles IA peuvent effectuer des recherches web robustes, récupérer des réponses directes à des questions complexes et collecter des articles d’actualité récents avec du contenu pertinent extrait par IA. Cela enrichit les workflows de développement en permettant la récupération d’informations complètes, des réponses à des questions étayées par des preuves et l’agrégation d’actualités à jour — le tout accessible comme outils ou ressources dans les environnements propulsés par les LLM. Le serveur Tavily MCP fait ainsi le pont entre les assistants IA et la donnée web de haute qualité en temps réel, simplifiant la recherche, l’automatisation et les solutions IA contextuelles.

Liste des prompts

• tavily_web_search – Recherchez sur le web avec le moteur de recherche IA de Tavily.
• tavily_answer_search – Effectuez une recherche web et obtenez une réponse générée par IA avec des preuves à l’appui.
• tavily_news_search – Recherchez des articles d’actualité récents avec la recherche d’actualités Tavily.

Liste des ressources

• Aucune section de ressources explicite trouvée dans la documentation du dépôt.

Liste des outils

• tavily_web_search
  Effectue des recherches web complètes avec extraction de contenu par IA.
  • Paramètres : query, max_results, search_depth, include_domains, exclude_domains
• tavily_answer_search
  Recherche web et génération de réponses directes avec preuves à l’appui.
  • Paramètres : query, max_results, search_depth, include_domains, exclude_domains
• tavily_news_search
  Recherche des articles d’actualité récents avec dates de publication.
  • Paramètres : query, max_results, days, include_domains, exclude_domains

Cas d’usage de ce serveur MCP

• Recherche web complète
  Les développeurs peuvent effectuer des recherches larges sur n’importe quel sujet, avec des résultats extraits et résumés par IA pour une intégration aisée dans leurs workflows.
• Réponse directe à des questions
  Permet aux assistants IA de fournir des réponses directes et étayées aux questions des utilisateurs, améliorant la précision et réduisant le temps de recherche.
• Agrégation d’actualités
  Récupérez et résumez les derniers articles d’actualité liés à une requête, gardant ainsi les utilisateurs informés des événements ou tendances actuelles.
• Recherche spécifique à un domaine
  Restreignez ou excluez certains domaines lors de la recherche pour cibler votre recherche (ex : informations académiques, d’entreprises ou sectorielles).
• Collecte de preuves
  Rassemblez des liens et références pour des réponses et rapports, permettant des résultats transparents et vérifiables pour la prise de décision ou la documentation.

Comment le configurer

Windsurf

1. Assurez-vous que Python 3.11+ et une clé API Tavily sont disponibles.
2. Installez le package :

   pip install mcp-tavily
   

3. Localisez votre fichier de configuration Windsurf.
4. Ajoutez le serveur Tavily MCP à vos mcpServers :

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily",
         "args": []
       }
     }
   }
   

5. Enregistrez le fichier et redémarrez Windsurf.
6. Vérifiez que le serveur fonctionne et est accessible.

Sécurisation des clés API :
Utilisez des variables d’environnement pour votre clé API Tavily :

{
  "mcpServers": {
    "tavily": {
      "command": "mcp-tavily",
      "env": {
        "TAVILY_API_KEY": "VOTRE_TAVILY_API_KEY"
      },
      "inputs": {}
    }
  }
}

Claude

1. Installez mcp-tavily dans votre environnement.
2. Modifiez le fichier de configuration de Claude pour inclure :

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily"
       }
     }
   }
   

3. Ajoutez votre clé API Tavily dans la section env comme ci-dessus.
4. Redémarrez Claude et confirmez la connexion.

Cursor

1. Assurez-vous que mcp-tavily est installé.
2. Ouvrez la configuration de Cursor.
3. Insérez :

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily"
       }
     }
   }
   

4. Placez votre clé API Tavily dans le champ env si pris en charge.
5. Enregistrez et redémarrez Cursor.

Cline

1. Installez mcp-tavily via pip ou uv.
2. Modifiez le fichier de configuration de Cline :

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily"
       }
     }
   }
   

3. Ajoutez votre clé API dans la section env.
4. Enregistrez et redémarrez Cline.

Comment utiliser ce MCP dans les flows

Utilisation du MCP dans FlowHunt

Pour intégrer des serveurs MCP dans 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 MCP système, insérez les détails de votre serveur MCP au format JSON suivant :

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

Une fois configuré, l’agent IA pourra utiliser ce MCP comme un outil avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer “tavily” par le vrai nom de votre serveur MCP (par ex. “github-mcp”, “weather-api”, etc.) et d’indiquer l’URL de votre propre serveur MCP.

Aperçu

Notre avis

Le serveur Tavily MCP propose un ensemble d’outils de recherche bien définis, des modèles de prompts clairs et des étapes d’installation/configuration simples. Cependant, il manque des définitions de ressources explicites et ne mentionne pas de fonctionnalités MCP avancées comme les roots ou le sampling. Compte tenu de sa fonctionnalité ciblée et de sa bonne documentation, mais l’absence de certains primitifs MCP, nous lui attribuons une note pratique de 7/10.

Score MCP