Tavily MCP Server

Vad gör “Tavily” MCP Server?

Tavily MCP Server är en Model Context Protocol (MCP) server som ger AI-assistenter avancerade webbsökningsfunktioner via Tavily’s sök-API. Genom integration med denna server kan AI-modeller utföra robusta webbsökningar, hämta direkta svar på komplexa frågor och samla in aktuella nyhetsartiklar med AI-extraherat relevant innehåll. Detta förbättrar utvecklingsarbetsflöden genom att möjliggöra omfattande informationsinsamling, evidensbaserade svar på frågor och uppdaterad nyhetsaggregering – allt tillgängligt som verktyg eller resurser i LLM-drivna miljöer. Tavily MCP Server överbryggar därmed klyftan mellan AI-assistenter och webbinformation i realtid av hög kvalitet, och effektiviserar forskning, automation och kontextmedvetna AI-lösningar.

Lista över promptar

• tavily_web_search – Sök på webben med Tavily’s AI-drivna sökmotor.
• tavily_answer_search – Sök på webben och få ett AI-genererat svar med underbyggande bevis.
• tavily_news_search – Sök efter aktuella nyhetsartiklar med Tavily’s nyhetssök.

Redo att växa ditt företag?

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

Begär demo Logga in

Lista över resurser

• Ingen explicit resurssektion hittades i dokumentationen för detta repository.

Lista över verktyg

• tavily_web_search
  Utför omfattande webbsökningar med AI-driven innehållsextrahering.
  • Parametrar: query, max_results, search_depth, include_domains, exclude_domains
• tavily_answer_search
  Webbsökning och generering av direkta svar med stödjande bevis.
  • Parametrar: query, max_results, search_depth, include_domains, exclude_domains
• tavily_news_search
  Söker aktuella nyhetsartiklar med publiceringsdatum.
  • Parametrar: query, max_results, days, include_domains, exclude_domains

Gå med i vårt nyhetsbrev

Få de senaste tipsen, trenderna och erbjudandena gratis.

E-postadress

Prenumerera

Användningsområden för denna MCP Server

• Omfattande webbsökning
  Utvecklare kan göra breda sökningar om valfritt ämne, där resultaten extraheras och sammanfattas av AI för enkel användning i arbetsflöden.
• Direkt frågor och svar
  Gör det möjligt för AI-assistenter att ge direkta, evidensbaserade svar på användarfrågor, vilket förbättrar exaktheten och minskar forskningstiden.
• Nyhetsaggregering
  Hämta och sammanfatta de senaste nyhetsartiklarna kopplade till en fråga, så att användare hålls uppdaterade om aktuella händelser eller trender.
• Domänspecifik sökning
  Begränsa sökningar till eller uteslut specifika domäner, för fokuserad forskning (t.ex. akademisk, företags- eller branschspecifik information).
• Evidensinsamling
  Samla stödjande länkar och referenser för svar och rapporter, vilket möjliggör transparenta och verifierbara resultat för beslutsfattande eller dokumentation.

Så här sätter du upp det

Windsurf

1. Säkerställ att Python 3.11+ och en Tavily API-nyckel finns tillgängliga.
2. Installera paketet:

   pip install mcp-tavily
   

3. Lokalisera din Windsurf-konfigurationsfil.
4. Lägg till Tavily MCP Server i dina mcpServers:

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily",
         "args": []
       }
     }
   }
   

5. Spara filen och starta om Windsurf.
6. Verifiera att servern körs och är tillgänglig.

Säkra API-nycklar:
Använd miljövariabler för din Tavily API-nyckel:

{
  "mcpServers": {
    "tavily": {
      "command": "mcp-tavily",
      "env": {
        "TAVILY_API_KEY": "YOUR_TAVILY_API_KEY"
      },
      "inputs": {}
    }
  }
}

Claude

1. Installera mcp-tavily i din miljö.
2. Redigera Claudes konfigurationsfil för att inkludera:

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily"
       }
     }
   }
   

3. Lägg till din Tavily API-nyckel i env-sektionen som ovan.
4. Starta om Claude och bekräfta anslutning.

Cursor

1. Säkerställ att mcp-tavily är installerat.
2. Öppna Cursors konfiguration.
3. Infoga:

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily"
       }
     }
   }
   

4. Placera din Tavily API-nyckel i env-fältet om det stöds.
5. Spara och starta om Cursor.

Cline

1. Installera mcp-tavily via pip eller uv.
2. Redigera Cline-konfigurationsfilen:

   {
     "mcpServers": {
       "tavily": {
         "command": "mcp-tavily"
       }
     }
   }
   

3. Lägg till din API-nyckel i env-sektionen.
4. Spara och starta om Cline.

Så här 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 lägger du in dina MCP-serverdetaljer enligt detta JSON-format:

{
  "tavily": {
    "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 kapaciteter. Kom ihåg att byta ut “tavily” mot det faktiska namnet på din MCP-server (t.ex. “github-mcp”, “weather-api” osv.) och ersätt URL:en med din egen MCP-server-URL.

Översikt

Vår åsikt

Tavily MCP Server erbjuder en väl definierad uppsättning sökverktyg, tydliga promptmallar och enkla installations- och konfigurationssteg. Däremot saknas explicita resursdefinitioner och det nämns inte några avancerade MCP-funktioner som roots eller sampling. Med dess fokuserade funktionalitet och goda dokumentation, men vissa saknade MCP-primitiver, ger vi den betyget 7/10 för praktisk användning.

MCP-betyg