Debugg AI MCP Server

Do czego służy serwer “Debugg AI” MCP?

Debugg AI MCP Server to serwer automatyzacji przeglądarki i testowania end-to-end (E2E) oparty o Model Context Protocol (MCP). Umożliwia asystentom i agentom AI automatyzację testów UI, symulowanie zachowań użytkowników oraz analizę efektów wizualnych działających aplikacji webowych za pomocą poleceń w języku naturalnym lub narzędzi CLI. Serwer eliminuje konieczność ręcznej konfiguracji frameworków testowych, takich jak Playwright, czy proxy przeglądarki, oferując w pełni zdalne, zarządzane rozwiązanie, które integruje się płynnie ze środowiskami lokalnymi i zdalnymi przez bezpieczne tunele. Programiści mogą uruchamiać testy UI na podstawie user stories, śledzić historię wyników i włączać te procesy do pipeline’ów CI/CD, zwiększając produktywność i niezawodność wytwarzania oprogramowania.

Lista promptów

Brak informacji o szablonach promptów w repozytorium.

Gotowy na rozwój swojej firmy?

Rozpocznij bezpłatny okres próbny już dziś i zobacz rezultaty w ciągu kilku dni.

Poproś o demo Zaloguj się

Lista zasobów

Brak jawnie wymienionych zasobów w repozytorium.

Lista narzędzi

• debugg_ai_test_page_changes
  Umożliwia uruchamianie testów UI na podstawie user stories lub opisów w języku naturalnym. Narzędzie automatyzuje działania w przeglądarce i przebiegi testów E2E, raportując postęp i wyniki do użytkownika.

Dołącz do naszego newslettera

Otrzymuj najnowsze wskazówki, trendy i oferty za darmo.

Adres e-mail

Zapisz się

Przykłady zastosowań tego serwera MCP

• Automatyczne testowanie UI
  Natychmiastowe uruchamianie kompleksowych testów UI na aplikacjach webowych przy użyciu opisów w języku naturalnym, bez potrzeby ręcznego pisania skryptów.
• Integracja z aplikacjami na localhost
  Testowanie aplikacji deweloperskich uruchomionych na dowolnym porcie localhost, symulując rzeczywiste interakcje i ścieżki użytkownika bez dodatkowej konfiguracji.
• Continuous Integration/Continuous Deployment (CI/CD)
  Integracja automatycznych testów E2E z pipeline’ami CI/CD, gwarantując walidację każdej nowej zmiany przed wdrożeniem.
• Analiza efektów wizualnych
  Automatyczna analiza zmian wizualnych i regresji UI jako część procesu testowania.
• Historia testów
  Dostęp i przegląd wszystkich wcześniejszych wyników testów na pulpicie Debugg.AI — na potrzeby audytu i ulepszeń.

Jak skonfigurować

Windsurf

1. Upewnij się, że masz zainstalowany Node.js.
2. Otwórz plik konfiguracyjny Windsurf.
3. Dodaj serwer Debugg AI MCP do listy serwerów MCP używając poniższego fragmentu JSON:

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

4. Zapisz konfigurację i uruchom ponownie Windsurf.
5. Sprawdź, czy serwer działa i jest dostępny.

Claude

1. Zainstaluj Node.js, jeśli nie jest jeszcze obecny.
2. Odszukaj sekcję MCP konfiguracji Claude.
3. Dodaj serwer Debugg AI MCP:

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

4. Zapisz zmiany i uruchom ponownie Claude.
5. Potwierdź integrację serwera sprawdzając dostępność narzędzi MCP.

Cursor

1. Skonfiguruj Node.js na swoim systemie.
2. Edytuj plik konfiguracyjny MCP Cursor.
3. Wstaw wpis serwera:

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

4. Zapisz i przeładuj Cursor.
5. Sprawdź rejestr narzędzi pod kątem narzędzi Debugg AI.

Cline

1. Upewnij się, że Node.js jest zainstalowany.
2. Otwórz plik konfiguracyjny Cline MCP.
3. Dodaj poniższą konfigurację:

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

4. Zapisz plik i uruchom ponownie Cline.
5. Zweryfikuj dostępność serwera.

Zabezpieczanie kluczy API

Aby zabezpieczyć swoje klucze API, użyj zmiennych środowiskowych w konfiguracji:

{
  "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}"
      }
    }
  }
}

Jak używać tego MCP w flow

Korzystanie z MCP w FlowHunt

Aby zintegrować serwery MCP z workflow w FlowHunt, zacznij od dodania komponentu MCP do swojego flow i połącz go z agentem AI:

Kliknij komponent MCP, aby otworzyć panel konfiguracji. W sekcji systemowej konfiguracji MCP wstaw dane swojego serwera MCP używając tego formatu JSON:

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

Po skonfigurowaniu agent AI może korzystać z MCP jako narzędzia ze wszystkimi jego funkcjami i możliwościami. Pamiętaj, aby zamienić “debugg-ai-mcp” na właściwą nazwę oraz podać swój adres URL serwera MCP.

Przegląd

Solidny serwer MCP do testowania E2E napędzanego AI, lecz brak udokumentowanych szablonów promptów i jawnych zasobów ogranicza jego rozbudowę dla zaawansowanych workflow MCP. Narzędzia i konfiguracja są proste, a kluczowe przypadki automatyzacji w pełni obsłużone. Ocena: 6/10.

Wynik MCP