Tavily MCP Server

Co robi serwer “Tavily” MCP?

Tavily MCP Server to serwer Model Context Protocol (MCP), który wzmacnia asystentów AI zaawansowanymi możliwościami wyszukiwania w sieci dzięki API wyszukiwania Tavily. Integrując ten serwer, modele AI mogą wykonywać solidne wyszukiwania w sieci, uzyskiwać bezpośrednie odpowiedzi na złożone pytania oraz zbierać najnowsze artykuły prasowe z treścią wyselekcjonowaną przez AI. To usprawnia procesy deweloperskie, umożliwiając takie zadania jak kompleksowe pobieranie informacji, odpowiadanie na pytania poparte dowodami oraz agregację najnowszych wiadomości — wszystko dostępne jako narzędzia lub zasoby w środowiskach opartych na LLM. Tavily MCP Server wypełnia zatem lukę między asystentami AI a danymi z sieci w czasie rzeczywistym i wysokiej jakości, usprawniając badania, automatyzację i rozwiązania AI świadome kontekstu.

Lista promptów

• tavily_web_search – Wyszukiwanie w sieci za pomocą silnika wyszukiwania Tavily opartego na AI.
• tavily_answer_search – Wyszukiwanie w sieci i uzyskiwanie odpowiedzi generowanej przez AI z dowodami.
• tavily_news_search – Wyszukiwanie najnowszych artykułów prasowych przez Tavily.

Lista zasobów

• Nie znaleziono wyraźnej sekcji zasobów w dokumentacji repozytorium.

Lista narzędzi

• tavily_web_search
  Wykonuje kompleksowe wyszukiwania w sieci z ekstrakcją treści przez AI.
  • Parametry: query, max_results, search_depth, include_domains, exclude_domains
• tavily_answer_search
  Wyszukiwanie w sieci i generowanie bezpośrednich odpowiedzi z dowodami.
  • Parametry: query, max_results, search_depth, include_domains, exclude_domains
• tavily_news_search
  Wyszukiwanie najnowszych artykułów prasowych z datami publikacji.
  • Parametry: query, max_results, days, include_domains, exclude_domains

Przykładowe zastosowania tego serwera MCP

• Kompleksowe wyszukiwanie w sieci
  Programiści mogą wykonywać szeroko zakrojone wyszukiwania na dowolny temat, a wyniki są wyodrębniane i podsumowywane przez AI w celu łatwego wykorzystania w ich procesach.
• Bezpośrednie odpowiadanie na pytania
  Umożliwia asystentom AI zwracanie bezpośrednich, popartych dowodami odpowiedzi na pytania użytkowników, co zwiększa dokładność i skraca czas poszukiwań.
• Agregacja wiadomości
  Pobieranie i podsumowywanie najnowszych artykułów prasowych związanych z zapytaniem, co pozwala użytkownikom być na bieżąco z wydarzeniami i trendami.
• Wyszukiwanie w określonych domenach
  Ograniczenie wyszukiwań do wybranych lub wykluczonych domen, umożliwiając ukierunkowane badania (np. naukowe, korporacyjne lub branżowe).
• Zbieranie dowodów
  Gromadzenie wspierających linków i referencji do odpowiedzi i raportów, umożliwiając przejrzyste i weryfikowalne wyniki dla podejmowania decyzji lub dokumentacji.

Jak skonfigurować

Windsurf

1. Upewnij się, że masz zainstalowanego Pythona 3.11+ oraz klucz API Tavily.
2. Zainstaluj pakiet:

   pip install mcp-tavily
   

3. Zlokalizuj plik konfiguracyjny Windsurf.
4. Dodaj Tavily MCP Server do swojego mcpServers:

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

5. Zapisz plik i zrestartuj Windsurf.
6. Zweryfikuj, czy serwer działa i jest dostępny.

Zabezpieczanie kluczy API:
Użyj zmiennych środowiskowych dla klucza API Tavily:

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

Claude

1. Zainstaluj mcp-tavily w swoim środowisku.
2. Edytuj plik konfiguracyjny Claude, aby dodać:

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

3. Dodaj klucz API Tavily w sekcji env jak powyżej.
4. Zrestartuj Claude i potwierdź połączenie.

Cursor

1. Upewnij się, że mcp-tavily jest zainstalowany.
2. Otwórz konfigurację Cursor.
3. Wstaw:

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

4. Umieść klucz API Tavily w polu env, jeśli jest obsługiwane.
5. Zapisz i zrestartuj Cursor.

Cline

1. Zainstaluj mcp-tavily przez pip lub uv.
2. Edytuj plik konfiguracyjny Cline:

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

3. Dodaj swój klucz API do sekcji env.
4. Zapisz i zrestartuj Cline.

Jak używać MCP w przepływach

Użycie MCP w FlowHunt

Aby zintegrować serwery MCP w swoim przepływie FlowHunt, zacznij od dodania komponentu MCP do przepływu i połączenia go ze swoim agentem AI:

Kliknij na komponent MCP, aby otworzyć panel konfiguracji. W sekcji system MCP configuration wstaw szczegóły swojego serwera MCP w tym formacie JSON:

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

Po skonfigurowaniu agent AI może korzystać z tego MCP jako narzędzia z dostępem do wszystkich jego funkcji i możliwości. Pamiętaj, aby zamienić “tavily” na rzeczywistą nazwę swojego serwera MCP (np. “github-mcp”, “weather-api” itd.) i podać swój własny adres URL MCP.

Przegląd

Nasza opinia

Tavily MCP Server zapewnia dobrze zdefiniowany zestaw narzędzi do wyszukiwania, jasne szablony promptów oraz prostą instalację i konfigurację. Brakuje jednak wyraźnych definicji zasobów i nie wspomniano o zaawansowanych funkcjach MCP, takich jak korzenie (roots) czy próbkowanie. Dzięki skupieniu na funkcjonalności i dobrej dokumentacji, ale przy braku niektórych prymitywów MCP, oceniamy go na 7/10 pod względem praktycznym.

Ocena MCP