Tavily MCP 服务器

“Tavily” MCP 服务器能做什么？

Tavily MCP 服务器是一款模型上下文协议（MCP）服务器，通过 Tavily 的搜索 API，为 AI 助手赋予高级网页搜索能力。集成该服务器后，AI 模型可以执行强大的网页搜索、获取复杂问题的直接答案，并收集由 AI 提取的相关新闻内容。这提升了开发工作流，实现了全面信息检索、带证据的问答以及最新新闻聚合——所有这些都能作为工具或资源在 LLM 驱动环境中调用。Tavily MCP 服务器因此成为连接 AI 助手与实时高质量网页数据的桥梁，简化了研究、自动化及上下文感知 AI 方案。

提示词列表

• tavily_web_search – 使用 Tavily 的 AI 驱动搜索引擎进行网页搜索。
• tavily_answer_search – 网页搜索并获得带证据的 AI 生成答案。
• tavily_news_search – 使用 Tavily 的新闻搜索获取最新新闻文章。

资源列表

• 在仓库文档中未发现明确的资源部分。

工具列表

• tavily_web_search
  用于综合网页搜索并提取 AI 内容。
  • 参数: query, max_results, search_depth, include_domains, exclude_domains
• tavily_answer_search
  网页搜索并生成带证据的直接答案。
  • 参数: query, max_results, search_depth, include_domains, exclude_domains
• tavily_news_search
  按发布日期搜索最新新闻文章。
  • 参数: query, max_results, days, include_domains, exclude_domains

本 MCP 服务器应用场景

• 综合网页搜索
  开发者可对任意主题进行广泛搜索，AI 自动提取与总结结果，便于工作流快速使用。
• 直接问答
  让 AI 助手直接返回带证据的答案，提升准确性并减少检索时间。
• 新闻聚合
  检索并总结与查询相关的最新新闻，帮助用户及时了解热点事件或趋势。
• 领域限定搜索
  可限定或排除特定域名，实现聚焦研究（如学术、企业或行业信息）。
• 证据收集
  为答案及报告收集支撑链接和参考文献，实现输出的透明可溯源，助力决策或文档撰写。

如何配置

Windsurf

1. 确保已安装 Python 3.11+ 和 Tavily API 密钥。
2. 安装软件包：

   pip install mcp-tavily
   

3. 找到您的 Windsurf 配置文件。
4. 在 mcpServers 中添加 Tavily MCP 服务器：

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

5. 保存文件并重启 Windsurf。
6. 验证服务器是否正在运行且可访问。

API 密钥安全
建议通过环境变量存储 Tavily API 密钥：

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

Claude

1. 在您的环境中安装 mcp-tavily。
2. 编辑 Claude 的配置文件，添加如下内容：

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

3. 按上述方法在 env 部分添加 Tavily API 密钥。
4. 重启 Claude 并确认连接。

Cursor

1. 确保已安装 mcp-tavily。
2. 打开 Cursor 的配置。
3. 插入如下内容：

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

4. 若支持，请将 Tavily API 密钥放入 env 字段。
5. 保存并重启 Cursor。

Cline

1. 通过 pip 或 uv 安装 mcp-tavily。
2. 编辑 Cline 配置文件：

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

3. 在 env 部分添加您的 API 密钥。
4. 保存并重启 Cline。

如何在流程中使用此 MCP

在 FlowHunt 中使用 MCP

要将 MCP 服务器集成到 FlowHunt 工作流中，首先添加 MCP 组件并将其连接到 AI 代理：

点击 MCP 组件打开配置面板。在系统 MCP 配置部分，按照如下 JSON 格式插入您的 MCP 服务器信息：

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

配置完成后，AI 代理即可作为工具使用该 MCP 的全部功能。请记得将 “tavily” 替换为您的实际 MCP 服务器名称（如 “github-mcp”、“weather-api” 等），并将 URL 替换为您的 MCP 服务器地址。

概览

我们的看法

Tavily MCP 服务器提供了明确定义的搜索工具、清晰的提示词模板以及简单直接的安装和配置步骤。但它缺乏明确的资源定义，也未提及如 roots 或采样等高级 MCP 特性。综上，功能聚焦、文档完善，但部分 MCP 原语未覆盖，实用评分为 7/10。

MCP 评分