Vad gör “RAG Webbläsare” MCP-server?

RAG Webbläsare MCP-server är ett specialiserat verktyg utformat för att ge AI-assistenter och stora språkmodeller (LLM:er) möjlighet att interagera med webben och extrahera aktuell information från webbsidor. Den körs lokalt och ansluter till RAG Web Browser Actor i Standby-läge, vilket möjliggör sömlös kommunikation mellan AI-agenter och webbinnehåll. Huvudfunktionerna inkluderar att utföra webbsökningar, skrapa de N översta URL:erna från sökresultaten och returnera deras rensade innehåll som Markdown. Dessutom kan den hämta innehållet från en enskild URL och presentera det i ett användarvänligt markdown-format. Detta gör det möjligt för LLM:er att få tillgång till, sammanfatta och använda live webdata, vilket förbättrar deras förmåga för forskning, innehållsgenerering och arbetsflödesautomation.

Lista över prompts

Inga promptmallar nämns uttryckligen i arkivet eller dokumentationen.

Lista över resurser

Inga uttryckliga resurser är definierade i tillgänglig dokumentation eller arkivfiler.

Lista över verktyg

• search:
  Gör en Google-sökning, skrapa de N översta URL:erna från resultaten och returnera deras rensade innehåll som Markdown.
  • Argument:
    • query (string, obligatorisk): Sökterm eller URL
    • maxResults (number, valfri): Max antal sökresultat att skrapa (standard: 1)
    • scrapingTool (string, valfri): Välj ett skrapningsverktyg (‘browser-playwright’ eller ‘raw-http’; standard: ‘raw-http’)
    • outputFormats (array, valfri): Utdataformat (’text’, ‘markdown’, ‘html’; standard: [‘markdown’])
    • requestTimeoutSecs (number, valfri): Max tid i sekunder för begäran (standard: 40)

Användningsområden för denna MCP-server

• Automatiserat webbsök
  Möjliggör för AI-agenter att genomföra live webbsök och hämta sammanfattad information från toppresultaten, användbart för forskning och för att besvara aktuella frågor.

• Innehållsextraktion för RAG-flöden
  Integrera med Retrieval-Augmented Generation (RAG)-arbetsflöden för att hämta och bearbeta webbinnehåll som tillförlitligt sammanhang för LLM-svar.

• Sammanfattning av webbsidor
  Hämta och rensa innehållet på specifika URL:er, vilket gör det möjligt för utvecklare eller LLM:er att snabbt ta in och sammanfatta relevant information.

• Datainsamling för marknads-/konkurrentanalys
  Använd servern för att skrapa konkurrenters webbplatser eller marknadsnyheter, vilket ger realtidsinformation för affärsapplikationer.

Så här sätter du upp den

Windsurf

1. Säkerställ att Node.js och npm är installerade.
2. Lokalisera din Windsurf-konfigurationsfil.
3. Lägg till RAG Webbläsare MCP-server i objektet mcpServers:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

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

Säkra API-nycklar (Exempel)

{
  "mcpServers": {
    "rag-web-browser": {
      "command": "npx",
      "args": ["@apify/mcp-server-rag-web-browser@latest"],
      "env": {
        "APIFY_TOKEN": "process.env.APIFY_TOKEN"
      },
      "inputs": {
        "apiKey": "${APIFY_TOKEN}"
      }
    }
  }
}

Claude

1. Bekräfta att Node.js och npm finns tillgängliga.
2. Öppna Claudes konfigurationsfil.
3. Lägg till MCP-servern enligt följande:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Spara och starta om Claude.
5. Kontrollera att integrationen fungerar.

Cursor

1. Installera Node.js och npm vid behov.
2. Hitta Cursors konfigurationsfil.
3. Lägg in MCP-servern:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Spara konfigurationen, starta om Cursor.
5. Kontrollera att servern syns bland MCP-verktygen.

Cline

1. Kontrollera att Node.js och npm är installerade.
2. Redigera Clines konfiguration.
3. Lägg till följande JSON:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Spara och starta om Cline.
5. Validera MCP-server-anslutningen.

Obs: Säkra dina API-nycklar med miljövariabler som visas i Windsurf-exemplet.

Så använder du denna MCP i flöden

Använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde börjar du med att lägga till MCP-komponenten i ditt flöde och ansluta den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion klistrar du in dina MCP-serveruppgifter med detta JSON-format:

{
  "rag-web-browser": {
    "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 ändra “rag-web-browser” till det faktiska namnet på din MCP-server och ersätta URL:en med din egen MCP-server URL.

Översikt

Baserat på tabellerna nedan är RAG Webbläsare MCP-server fokuserad och mycket riktad för webbintegrationsuppgifter men saknar bredare MCP-primitiver såsom prompts och resurser. Den ger allt väsentligt för installation och säker drift, med ett starkt, väl dokumenterat primärverktyg. Sampling- och Roots-stöd nämns inte.

Vår bedömning

MCP-servern är fokuserad och funktionell, idealisk för scenarier som kräver webbdatatillgång i LLM-arbetsflöden. Den är enkel att installera, har en tydlig licens och är måttligt populär. Avsaknaden av promptmallar och uttryckliga resurser begränsar dess flexibilitet för mer anpassade eller komplexa användningsområden, men för RAG och live webbsökning fungerar den utmärkt. Poäng: 7/10

MCP-poäng