타빌리 MCP 서버

“Tavily” MCP 서버는 무엇을 하나요?

Tavily MCP 서버는 Tavily의 검색 API를 활용해 AI 어시스턴트에게 고급 웹 검색 기능을 제공하는 Model Context Protocol(MCP) 서버입니다. 이 서버와 통합하면 AI 모델이 강력한 웹 검색을 수행하고, 복잡한 질문에 대한 직접 답변을 검색하고, 최근 뉴스 기사의 관련 콘텐츠를 AI가 추출하여 수집할 수 있습니다. 이를 통해 포괄적인 정보 검색, 증거 기반의 질의응답, 최신 뉴스 집계 등 다양한 작업을 LLM 기반 환경에서 도구나 리소스로 손쉽게 사용할 수 있습니다. 즉, Tavily MCP 서버는 AI 어시스턴트와 실시간 고품질 웹 데이터를 연결하여 연구, 자동화, 상황 인식 AI 솔루션을 간소화합니다.

프롬프트 목록

• tavily_web_search – Tavily의 AI 기반 검색 엔진을 사용해 웹을 검색합니다.
• tavily_answer_search – 웹을 검색하고 AI가 생성한 증거 기반 답변을 받습니다.
• tavily_news_search – Tavily의 뉴스 검색으로 최신 뉴스 기사를 검색합니다.

리소스 목록

• 저장소 문서에서 명시적인 리소스 섹션을 찾을 수 없습니다.

도구 목록

• tavily_web_search
  AI 기반 콘텐츠 추출로 포괄적인 웹 검색을 수행합니다.
  • 파라미터: query, max_results, search_depth, include_domains, exclude_domains
• tavily_answer_search
  웹 검색 후 증거와 함께 직접 답변을 생성합니다.
  • 파라미터: query, max_results, search_depth, include_domains, exclude_domains
• tavily_news_search
  발행일이 포함된 최신 뉴스 기사를 검색합니다.
  • 파라미터: query, max_results, days, include_domains, exclude_domains

이 MCP 서버의 활용 사례

• 포괄적 웹 검색
  개발자는 어떤 주제든 폭넓게 검색할 수 있으며, 결과는 AI가 추출·요약하여 워크플로우에 쉽게 활용할 수 있습니다.
• 직접 질의응답
  AI 어시스턴트가 증거를 포함한 직접적인 답변을 제공하여 정확도를 높이고 조사 시간을 줄입니다.
• 뉴스 집계
  쿼리와 관련된 최신 뉴스 기사를 검색·요약하여 사용자가 시사나 트렌드에 뒤처지지 않도록 도와줍니다.
• 도메인 특화 검색
  특정 도메인만 대상으로 하거나 제외하여 학술, 기업, 산업 등 특화 정보 검색이 가능합니다.
• 증거 수집
  답변과 보고서에 대한 참고 링크 및 자료를 수집해, 투명하고 검증 가능한 결과물을 만듭니다.

설치 방법

Windsurf

1. Python 3.11 이상과 Tavily API 키가 준비되어 있는지 확인하세요.
2. 패키지를 설치합니다:

   pip install mcp-tavily
   

3. Windsurf 구성 파일을 찾으세요.
4. Tavily MCP 서버를 mcpServers에 추가하세요:

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

5. 파일을 저장하고 Windsurf를 재시작하세요.
6. 서버가 정상적으로 실행되고 접근 가능한지 확인하세요.

API 키 보안:
Tavily API 키는 환경 변수로 관리하세요:

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

Claude

1. 환경에 mcp-tavily를 설치하세요.
2. Claude의 설정 파일을 다음과 같이 수정하세요:

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

3. 위와 같이 env 섹션에 Tavily API 키를 추가하세요.
4. Claude를 재시작하고 연결을 확인하세요.

Cursor

1. mcp-tavily가 설치되어 있는지 확인하세요.
2. Cursor의 설정을 여세요.
3. 다음을 추가하세요:

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

4. 지원되는 경우 Tavily API 키를 env 필드에 입력하세요.
5. 저장하고 Cursor를 재시작하세요.

Cline

1. pip 또는 uv로 mcp-tavily를 설치하세요.
2. Cline 설정 파일을 다음과 같이 수정하세요:

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

3. API 키를 env 섹션에 추가하세요.
4. 저장하고 Cline을 재시작하세요.

플로우 내에서 MCP 사용 방법

FlowHunt에서 MCP 사용하기

FlowHunt 워크플로우에 MCP 서버를 통합하려면, MCP 컴포넌트를 플로우에 추가하고 AI 에이전트와 연결하세요:

MCP 컴포넌트를 클릭해 구성 패널을 엽니다. 시스템 MCP 구성 섹션에 아래와 같은 JSON 형식으로 MCP 서버 정보를 입력하세요:

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

구성이 완료되면 AI 에이전트가 이 MCP를 도구로 활용하여 모든 기능을 사용할 수 있습니다. “tavily"는 실제 MCP 서버 이름(예: “github-mcp”, “weather-api” 등)으로, URL은 본인의 MCP 서버 URL로 변경해야 합니다.

개요

평가 의견

Tavily MCP 서버는 명확한 검색 도구, 프롬프트 템플릿, 직관적인 설치 및 설정 절차를 제공합니다. 다만, 명시적 리소스 정의나 roots, sampling 등 고급 MCP 기능 언급이 부족합니다. 기능에 집중된 구조와 우수한 문서를 고려할 때, 일부 MCP 기본 기능이 빠진 점을 감안해 실용 점수 7/10을 부여합니다.

MCP 점수