Fetch MCP-server

Vad gör “Fetch” MCP-servern?

Fetch MCP-servern är en flexibel Model Context Protocol (MCP)-server designad för att hämta webbinnehåll i olika format, inklusive HTML, JSON, vanlig text och Markdown. Genom att fungera som en brygga mellan AI-assistenter och externa webbresurser möjliggör Fetch MCP att AI-drivna applikationer kan hämta och transformera webdata vid behov. Detta ger utvecklare och AI-agenter möjlighet att inkorporera dynamiskt webbinnehåll i sina arbetsflöden, oavsett om det gäller datautvinning, sammanfattning av innehåll eller vidare bearbetning. Servern stöder anpassade förfrågningsheaders, använder moderna fetch-API:er och inkluderar verktyg för att tolka och konvertera webdata, vilket gör den till en värdefull tillgång för uppgifter som kräver realtidsåtkomst till information online.

Lista över prompts

Inga promptmallar nämns i repositoryt.

Lista över resurser

• Fetch MCP-servern tillhandahåller inga beständiga resurser. Den är utformad för att hämta och transformera webbinnehåll vid behov.

Lista över verktyg

• fetch_html
  Hämta en webbplats och returnera innehållet som HTML.
  Inmatning: url (obligatorisk), headers (valfri).
  Utmatning: Rått HTML-innehåll från webbsidan.

• fetch_json
  Hämta en JSON-fil från en URL.
  Inmatning: url (obligatorisk), headers (valfri).
  Utmatning: Tolkat JSON-innehåll.

• fetch_txt
  Hämta en webbplats och returnera innehållet som vanlig text (ingen HTML).
  Inmatning: url (obligatorisk), headers (valfri).
  Utmatning: Vanlig text med HTML-taggar, skript och stilmallar borttagna.

• fetch_markdown
  Hämta en webbplats och returnera innehållet som Markdown.
  Inmatning: url (obligatorisk), headers (valfri).
  Utmatning: Webbsidans innehåll konverterat till Markdown-format.

Användningsområden för denna MCP-server

• Webbinnehållsutvinning
  Hämta HTML, JSON eller vanlig text från publika webbplatser för vidare analys eller sammanfattning av AI-agenter.

• Innehållstransformation
  Konvertera webbplatsinnehåll till Markdown- eller textformat för enklare konsumtion eller integration i antecknings- och dokumentationsverktyg.

• API-datahämtning
  Hämta strukturerad data från publika API:er (i JSON-format) för användning i arbetsflöden, dashboards eller som kontext för LLM-drivna applikationer.

• Anpassad datainsamling
  Ange anpassade headers för att få åtkomst till innehåll från slutpunkter som kräver specifik autentisering eller headers, vilket möjliggör mer avancerade datainsamlingsscenarier.

• Innehållstolkning för AI-agenter
  Ge AI-assistenter förmågan att tolka och använda live webbinnehåll under konversationer, forskning eller automatisering.

Hur man sätter upp den

Windsurf

1. Kontrollera att Node.js är installerat på ditt system.
2. Klona Fetch MCP-repositoryt och installera beroenden (npm install).
3. Bygg servern med npm run build.
4. Lägg till följande i din Windsurf-konfigurationsfil:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTE PATH TO FILE HERE}/dist/index.js"
         ]
       }
     }
   }
   

5. Starta om Windsurf och verifiera att MCP-servern körs.

Säkra API-nycklar

Ange miljövariabler vid behov:

{
  "mcpServers": {
    "fetch": {
      "command": "node",
      "args": ["{ABSOLUTE PATH TO FILE HERE}/dist/index.js"],
      "env": {
        "API_KEY": "${FETCH_API_KEY}"
      },
      "inputs": {
        "api_key": "${FETCH_API_KEY}"
      }
    }
  }
}

Claude

1. Kontrollera att Node.js är installerat.
2. Följ installationsstegen för repositoryt (klona, installera, bygg).
3. Redigera Claude MCP-konfigurationen:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTE PATH TO FILE HERE}/dist/index.js"
         ]
       }
     }
   }
   

4. Spara filen och starta om Claude.
5. Bekräfta att Fetch MCP-servern är tillgänglig.

Säkra API-nycklar

Se Windsurf-avsnittet för JSON-exemplet.

Cursor

1. Installera Node.js.
2. Klona och bygg Fetch MCP-servern (npm install, npm run build).
3. Lägg till i Cursors MCP-konfiguration:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTE PATH TO FILE HERE}/dist/index.js"
         ]
       }
     }
   }
   

4. Spara och starta om Cursor.
5. Validera lyckad anslutning.

Säkra API-nycklar

Använd samma JSON-format som ovan för miljövariabler.

Cline

1. Kontrollera att Node.js är installerat.
2. Klona och bygg Fetch MCP-servern.
3. Konfigurera Cline MCP med:

   {
     "mcpServers": {
       "fetch": {
         "command": "node",
         "args": [
           "{ABSOLUTE PATH TO FILE HERE}/dist/index.js"
         ]
       }
     }
   }
   

4. Starta om Cline och verifiera att servern fungerar.

Säkra API-nycklar

Följ det tidigare miljövariabel-exemplet i JSON.

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-konfigurationsavsnitt anger du dina MCP-serveruppgifter med detta JSON-format:

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

När det är konfigurerat kan AI-agenten nu använda denna MCP som ett verktyg med åtkomst till alla dess funktioner och möjligheter. Kom ihåg att byta ut “fetch” mot det faktiska namnet på din MCP-server och ersätta URL:en med din egen MCP-server-URL.

Översikt

Jag skulle ge Fetch MCP-servern betyget 7/10. Den är praktisk, har tydlig dokumentation, korrekt licens och flera användbara verktyg, men saknar promptmallar, beständiga resurser och information om rötter eller samplingstöd.

MCP-poäng