Debugg AI MCP-server

Vad gör “Debugg AI” MCP-server?

Debugg AI MCP-server är en AI-driven webbläsarautomatiserings- och end-to-end (E2E) testserver byggd kring Model Context Protocol (MCP). Den gör det möjligt för AI-assistenter och agenter att automatisera UI-testning, simulera användarbeteende och analysera visuellt resultat av körande webbapplikationer med hjälp av naturliga språkbefallningar eller CLI-verktyg. Denna server eliminerar behovet av manuell installation av testningsramverk som Playwright eller webbläsarproxys, och erbjuder en helt fjärrstyrd, hanterad lösning som integreras sömlöst med lokala eller fjärrutvecklingsmiljöer via säkra tunnlar. Utvecklare kan trigga UI-test baserat på användarberättelser, spåra historiska resultat och införliva dessa arbetsflöden i CI/CD-pipelines, vilket ökar produktivitet och tillförlitlighet i mjukvaruutveckling.

Lista över promptar

Ingen information om promptmallar finns i arkivet.

Redo att växa ditt företag?

Starta din kostnadsfria provperiod idag och se resultat inom några dagar.

Begär demo Logga in

Lista över resurser

Inga explicita resurser listas i arkivet.

Lista över verktyg

• debugg_ai_test_page_changes
  Möjliggör att trigga UI-test baserat på användarberättelser eller beskrivningar i naturligt språk. Detta verktyg automatiserar webbläsaråtgärder och E2E-testflöden, och rapporterar framsteg och resultat tillbaka till användaren.

Gå med i vårt nyhetsbrev

Få de senaste tipsen, trenderna och erbjudandena gratis.

E-postadress

Prenumerera

Användningsområden för denna MCP-server

• Automatiserad UI-testning
  Kör end-to-end UI-test på webbapplikationer direkt med hjälp av beskrivningar på naturligt språk, vilket minskar behovet av manuell testskriptning.
• Integration med localhost-webbappar
  Testa utvecklingsapplikationer som körs på valfri localhost-port och simulera verkliga användarflöden utan extra konfiguration.
• Continuous Integration/Continuous Deployment (CI/CD)
  Integrera automatiserad E2E-testning i CI/CD-pipelines för att säkerställa att nya kodändringar valideras innan distribution.
• Visuell utdata-analys
  Analysera visuella förändringar och UI-regressioner automatiskt som en del av testflödet.
• Historisk testspårning
  Kom åt och granska alla tidigare testresultat i Debugg.AI-panelen för revision och förbättring.

Hur man sätter upp det

Windsurf

1. Se till att förutsättningar som Node.js är installerade.
2. Öppna din Windsurf-konfigurationsfil.
3. Lägg till Debugg AI MCP-servern till din lista över MCP-servrar med följande JSON-utdrag:

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

4. Spara konfigurationen och starta om Windsurf.
5. Kontrollera att servern körs och är tillgänglig.

Claude

1. Installera Node.js om det inte redan finns.
2. Lokalisera Claudes MCP-konfigurationssektion.
3. Lägg till Debugg AI MCP-servern:

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

4. Spara ändringarna och starta om Claude.
5. Bekräfta serverintegration genom att kontrollera tillgängliga MCP-verktyg.

Cursor

1. Installera Node.js på ditt system.
2. Redigera Cursor MCP-konfigurationsfilen.
3. Infoga serverposten:

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

4. Spara och ladda om Cursor.
5. Kontrollera verktygsregistret för Debugg AI-serververktygen.

Cline

1. Se till att Node.js är installerat.
2. Öppna Clines MCP-konfigurationsfil.
3. Lägg till följande konfiguration:

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

4. Spara filen och starta om Cline.
5. Validera serverns tillgänglighet.

Skydda API-nycklar

För att skydda dina API-nycklar, använd miljövariabler i din konfiguration:

{
  "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}"
      }
    }
  }
}

Hur man använder denna MCP i flöden

Använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, ange dina MCP-serverdetaljer med detta JSON-format:

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

När du har konfigurerat detta kan AI-agenten nu använda denna MCP som ett verktyg med tillgång till alla dess funktioner och kapaciteter. Kom ihåg att ändra “debugg-ai-mcp” till det faktiska namnet och byt ut URL:en mot din egen MCP-serveradress.

Översikt

En stabil MCP-server för AI-driven E2E-testning, men bristen på dokumenterade promptmallar och explicita resurser begränsar dess utbyggbarhet för avancerade MCP-baserade arbetsflöden. Verktyg och installation är enkla, och den täcker de viktigaste automationsanvändningsfallen. Betyg: 6/10.

MCP-betyg