Serverul OpenAI WebSearch MCP

Ce face Serverul “OpenAI WebSearch” MCP?

Serverul OpenAI WebSearch MCP permite asistenților AI să acceseze funcționalitatea de căutare web a OpenAI prin Model Context Protocol (MCP). Acționând ca o punte între modelele AI și informațiile web în timp real, acest server permite asistenților să obțină date actualizate care nu se regăsesc neapărat în corpusul lor de antrenament. Dezvoltatorii pot integra acest server pe platforme precum Claude sau Zed, oferind agenților AI abilitatea de a efectua căutări web live în timpul conversațiilor. Acest lucru îmbunătățește semnificativ cazuri de utilizare precum răspunsuri la întrebări despre evenimente curente, îmbogățirea contextului cu date recente și oferirea unui flux de dezvoltare AI mai dinamic și informat.

Listă de Prompt-uri

Niciun template de prompt nu este listat în depozit sau în documentație.

Listă de Resurse

Nu există resurse explicite listate în depozit sau în documentație.

Listă de Instrumente

• web_search
  Permite AI-ului să apeleze căutarea web OpenAI ca instrument.
  • Argumente necesare:
    • type (string): Trebuie să fie “web_search_preview”.
    • search_context_size (string): Ghidaj pentru utilizarea ferestrei de context—poate fi “low”, “medium” (implicit) sau “high”.
    • user_location (obiect sau null): Conține informații despre locație (tip, oraș, țară, regiune, fus orar) pentru personalizarea căutărilor.

Cazuri de utilizare ale acestui server MCP

• Răspuns la Evenimente Curente:
  Permite asistenților AI să ofere răspunsuri actualizate, căutând pe web informații recente, nu doar bazându-se pe datele de antrenament statice.
• Asistență la Cercetare:
  Oferă capabilități de căutare web live utilizatorilor care caută fapte detaliate, în timp real, sau rezumate pe diverse subiecte.
• Îmbogățirea Contextului:
  Completează răspunsurile LLM-ului cu date web proaspete, sporind relevanța și acuratețea rezultatelor.
• Căutare Localizată:
  Utilizează detaliile de locație furnizate de utilizator pentru a personaliza rezultatele căutării, făcând răspunsurile mai potrivite contextului.
• Debugging și Dezvoltare:
  Permite inspecția și depanarea ușoară a serverului MCP folosind instrumentul MCP inspector, facilitând integrarea și rezolvarea problemelor.

Cum se configurează

Windsurf

În curând (momentan nu sunt pași furnizați în documentație).

Claude

1. Obțineți cheia API OpenAI de pe platforma OpenAI.
2. Rulați următoarea comandă pentru a instala și auto-configura serverul:

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

3. Alternativ, instalați uvx și editați setările Claude:

   "mcpServers": {
     "openai-websearch-mcp": {
       "command": "uvx",
       "args": ["openai-websearch-mcp"],
       "env": {
           "OPENAI_API_KEY": "your-api-key-here"
       }
     }
   }
   

4. Sau instalați prin pip:

   pip install openai-websearch-mcp
   

   Și actualizați setările:

   "mcpServers": {
     "openai-websearch-mcp": {
       "command": "python",
       "args": ["-m", "openai_websearch_mcp"],
       "env": {
           "OPENAI_API_KEY": "your-api-key-here"
       }
     }
   }
   

5. Salvați configurația și reporniți Claude dacă este necesar.

Securizarea Cheilor API:
Stocați cheile API folosind câmpul env în configurație.
Exemplu:

"env": {
  "OPENAI_API_KEY": "your-api-key-here"
}

Cursor

În curând (momentan nu sunt pași furnizați în documentație).

Cline

Nu există instrucțiuni de configurare furnizate în documentație.

Zed

1. Obțineți cheia API OpenAI.
2. Folosind uvx, adăugați în settings.json al Zed:

   "context_servers": [
     "openai-websearch-mcp": {
       "command": "uvx",
       "args": ["openai-websearch-mcp"],
       "env": {
           "OPENAI_API_KEY": "your-api-key-here"
       }
     }
   ],
   

3. Sau cu instalare pip:

   "context_servers": {
     "openai-websearch-mcp": {
       "command": "python",
       "args": ["-m", "openai_websearch_mcp"],
       "env": {
           "OPENAI_API_KEY": "your-api-key-here"
       }
     }
   },
   

4. Salvați configurația și reporniți Zed.

Securizarea Cheilor API:
Folosiți câmpul env ca în exemplele de mai sus.

Cum se folosește acest MCP în flow-uri

Utilizarea MCP în FlowHunt

Pentru a integra serverele MCP în fluxul FlowHunt, începeți prin a adăuga componenta MCP în flow și conectați-o la agentul AI:

Dați click pe componenta MCP pentru a deschide panoul de configurare. În secțiunea de configurare MCP de sistem, introduceți detaliile serverului MCP folosind acest format JSON:

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

Odată configurat, agentul AI poate folosi acest MCP ca instrument, cu acces la toate funcțiile și capabilitățile sale. Amintiți-vă să schimbați “openai-websearch-mcp” cu numele real al serverului MCP folosit și să înlocuiți URL-ul cu cel al propriului server MCP.

Prezentare generală

Între aceste tabele:
Acest server MCP este focusat și bine documentat pentru cazul său de utilizare principal (acces la căutare web pentru LLM-uri), dar îi lipsesc funcționalități MCP avansate precum prompt-uri personalizate, resurse explicite sau suport sampling/roots. Per ansamblu, este robust pentru scenariul propus, dar limitat în extensibilitate. Scor: 5/10

Scor MCP