OpenAI WebSearch MCP-server

Vad gör “OpenAI WebSearch” MCP-servern?

OpenAI WebSearch MCP-servern gör det möjligt för AI-assistenter att få tillgång till OpenAI:s webbsöksfunktionalitet via Model Context Protocol (MCP). Genom att agera som en bro mellan AI-modeller och realtidsinformation från webben kan assistenter hämta aktuell data som kanske inte finns i deras träningsdata. Utvecklare kan integrera denna server med plattformar som Claude eller Zed, och därmed ge sina AI-agenter möjlighet att göra live-webbsökningar under samtal. Detta förbättrar avsevärt användningsområden som att besvara frågor om aktuella händelser, berika kontext med ny data och skapa ett mer dynamiskt och informerat AI-utvecklingsflöde.

Lista över promptar

Inga promptmallar finns listade i arkivet eller dokumentationen.

Lista över resurser

Inga explicita resurser finns listade i arkivet eller dokumentationen.

Lista över verktyg

• web_search
  Låter AI:n använda OpenAI:s webbsök som ett verktyg.
  • Obligatoriska argument:
    • type (string): Måste vara “web_search_preview”.
    • search_context_size (string): Vägledning om kontextfönstrets användning—kan vara “low”, “medium” (standard) eller “high”.
    • user_location (object eller null): Innehåller platsinformation (typ, stad, land, region, tidszon) för att skräddarsy sökningen.

Användningsområden för denna MCP-server

• Besvara aktuella händelser:
  Möjliggör för AI-assistenter att ge aktuella svar genom att söka efter den senaste informationen istället för att bara förlita sig på statisk träningsdata.
• Forskningshjälp:
  Erbjuder live-webbsöksmöjligheter för användare som söker detaljerade, realtida fakta eller sammanfattningar om en mängd olika ämnen.
• Kontextberikning:
  Kompletterar LLM-svar med färsk webbinformation och ökar relevansen och noggrannheten i svaren.
• Platsbaserad sökning:
  Utnyttjar användarens angivna platsinformation för att anpassa sökresultaten och göra svaren mer kontextuellt relevanta.
• Felsökning och utveckling:
  Inspektera och felsök MCP-servern enkelt med MCP inspector-verktyget, vilket förenklar integration och problemlösning.

Så här sätter du upp det

Windsurf

Kommer snart (inga steg finns för närvarande i dokumentationen).

Claude

1. Skaffa din OpenAI API-nyckel från OpenAI:s plattform .
2. Kör följande kommando för att installera och autokonfigurera servern:

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

3. Alternativt, installera uvx och redigera dina Claude-inställningar:

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

4. Eller installera via pip:

   pip install openai-websearch-mcp
   

   Och uppdatera inställningarna:

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

5. Spara konfigurationen och starta om Claude om det behövs.

Skydda API-nycklar:
Spara API-nycklar med hjälp av fältet env i din konfiguration.
Exempel:

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

Cursor

Kommer snart (inga steg finns för närvarande i dokumentationen).

Cline

Inga installationsinstruktioner finns i dokumentationen.

Zed

1. Skaffa din OpenAI API-nyckel.
2. Använd uvx, lägg till i din Zed settings.json:

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

3. Eller med pip-installation:

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

4. Spara din konfiguration och starta om Zed.

Skydda API-nycklar:
Använd fältet env som visas ovan.

Så använder du 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 klistrar du in dina MCP-serveruppgifter enligt detta JSON-format:

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

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

Översikt

Mellan dessa tabeller:
Denna MCP-server är fokuserad och väl dokumenterad för sitt kärnanvändningsområde (webbsöktillgång för LLM:er), men saknar avancerade MCP-funktioner såsom anpassade promptar, explicita resurser eller sampling/roots-stöd. Överlag är den robust för sitt avsedda scenario, men begränsad i utbyggbarhet. Betyg: 5/10

MCP-poäng