Servidor OpenAI WebSearch MCP

O que faz o Servidor “OpenAI WebSearch” MCP?

O Servidor OpenAI WebSearch MCP permite que assistentes de IA acessem a funcionalidade de busca na web da OpenAI via Model Context Protocol (MCP). Atuando como uma ponte entre modelos de IA e informações em tempo real da web, este servidor possibilita que assistentes recuperem dados atualizados que podem não estar presentes em seu corpus de treinamento. Desenvolvedores podem integrar este servidor a plataformas como Claude ou Zed, equipando seus agentes de IA com a capacidade de realizar buscas ao vivo durante conversas. Isso amplia significativamente casos de uso como responder perguntas sobre eventos atuais, enriquecer o contexto com dados recentes e fornecer um fluxo de desenvolvimento de IA mais dinâmico e informado.

Lista de Prompts

Nenhum template de prompt listado no repositório ou documentação.

Pronto para expandir seu negócio?

Comece seu teste gratuito hoje e veja resultados em dias.

Solicitar demo Entrar

Lista de Recursos

Nenhum recurso explícito listado no repositório ou documentação.

Lista de Ferramentas

• web_search
  Permite que a IA utilize a busca na web da OpenAI como ferramenta.
  • Argumentos obrigatórios:
    • type (string): Deve ser “web_search_preview”.
    • search_context_size (string): Orientação para uso da janela de contexto—pode ser “low”, “medium” (padrão) ou “high”.
    • user_location (objeto ou nulo): Contém informações de localização (tipo, cidade, país, região, fuso horário) para personalizar buscas.

Junte-se à nossa newsletter

Receba gratuitamente as últimas dicas, tendências e ofertas.

Endereço de e-mail

Inscrever-se

Casos de Uso deste Servidor MCP

• Responder a Eventos Atuais:
  Permite que assistentes de IA forneçam respostas atualizadas pesquisando na web por informações recentes em vez de depender apenas de dados de treinamento estáticos.
• Assistência à Pesquisa:
  Oferece capacidade de busca ao vivo para usuários que procuram fatos detalhados em tempo real ou resumos sobre uma ampla variedade de tópicos.
• Enriquecimento de Contexto:
  Suplementa as respostas dos LLMs com dados frescos da web, aumentando a relevância e precisão das respostas.
• Busca com Consciência de Localização:
  Utiliza detalhes de localização fornecidos pelo usuário para personalizar resultados de busca, tornando as respostas mais apropriadas ao contexto.
• Depuração e Desenvolvimento:
  Inspecione e depure facilmente o servidor MCP usando a ferramenta MCP inspector, facilitando integração e solução de problemas.

Como configurar

Windsurf

Em breve (nenhum passo fornecido na documentação atualmente).

Claude

1. Obtenha sua chave de API da OpenAI na plataforma da OpenAI .
2. Execute o seguinte comando para instalar e auto-configurar o servidor:

   OPENAI_API_KEY=sk-xxxx uv run --with uv --with openai-websearch-mcp openai-websearch-mcp-install
   

3. Alternativamente, instale o uvx e edite as configurações do Claude:

   "mcpServers": {
     "openai-websearch-mcp": {
       "command": "uvx",
       "args": ["openai-websearch-mcp"],
       "env": {
           "OPENAI_API_KEY": "sua-chave-api-aqui"
       }
     }
   }
   

4. Ou instale via pip:

   pip install openai-websearch-mcp
   

   E atualize as configurações:

   "mcpServers": {
     "openai-websearch-mcp": {
       "command": "python",
       "args": ["-m", "openai_websearch_mcp"],
       "env": {
           "OPENAI_API_KEY": "sua-chave-api-aqui"
       }
     }
   }
   

5. Salve a configuração e reinicie o Claude se necessário.

Protegendo as Chaves de API:
Armazene as chaves de API utilizando o campo env na sua configuração.
Exemplo:

"env": {
  "OPENAI_API_KEY": "sua-chave-api-aqui"
}

Cursor

Em breve (nenhum passo fornecido na documentação atualmente).

Cline

Nenhuma instrução de configuração fornecida na documentação.

Zed

1. Obtenha sua chave de API da OpenAI.
2. Usando uvx, adicione ao seu settings.json do Zed:

   "context_servers": [
     "openai-websearch-mcp": {
       "command": "uvx",
       "args": ["openai-websearch-mcp"],
       "env": {
           "OPENAI_API_KEY": "sua-chave-api-aqui"
       }
     }
   ],
   

3. Ou com instalação via pip:

   "context_servers": {
     "openai-websearch-mcp": {
       "command": "python",
       "args": ["-m", "openai_websearch_mcp"],
       "env": {
           "OPENAI_API_KEY": "sua-chave-api-aqui"
       }
     }
   },
   

4. Salve sua configuração e reinicie o Zed.

Protegendo as Chaves de API:
Use o campo env como mostrado acima.

Como usar este MCP em fluxos

Usando MCP no FlowHunt

Para integrar servidores MCP no seu fluxo do FlowHunt, comece adicionando o componente MCP ao seu fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração MCP do sistema, insira os detalhes do seu servidor MCP usando este formato JSON:

{
  "openai-websearch-mcp": {
    "transport": "streamable_http",
    "url": "https://seumcpserver.exemplo/caminhoparamcp/url"
  }
}

Uma vez configurado, o agente de IA agora pode usar este MCP como ferramenta, com acesso a todas as suas funções e capacidades. Lembre-se de trocar “openai-websearch-mcp” pelo nome real do seu servidor MCP e substituir a URL pela sua própria URL MCP.

Visão Geral

Entre estas tabelas:
Este servidor MCP é focado e bem documentado para seu caso de uso principal (acesso à busca na web para LLMs), mas carece de recursos MCP avançados como prompts personalizados, recursos explícitos ou suporte a sampling/roots. No geral, é robusto para o cenário pretendido, mas limitado em extensibilidade. Avaliação: 5/10

Pontuação MCP