Tavily MCP 服务器

“Tavily” MCP 服务器能做什么？

Tavily MCP（模型上下文协议）服务器作为 AI 助手和互联网之间的桥梁，使其具备高级的实时搜索和数据提取功能。通过采用开放的 MCP 标准，Tavily 可将其先进的网页工具无缝且安全地集成到 AI 开发流程中。借助 Tavily MCP 服务器，AI 模型可以执行实时网页搜索、从网页中提取结构化数据、映射网站结构，甚至爬取整个域名。这极大提升了 AI 智能体的上下文感知和实时能力，支持信息检索、研究、知识图谱构建等任务。Tavily MCP 服务器因此成为连接 AI 与外部网页数据与资源的可靠平台，为 AI 自动化与智能系统解锁全新可能。

提示词列表

在仓库内容中未直接提及提示词模板。

准备好发展您的业务了吗？

今天开始免费试用，几天内即可看到结果。

申请演示 登录

资源列表

仓库内容中未明确描述资源。

工具列表

• tavily-search：提供实时网页搜索能力，让 AI 智能体可获取互联网上的最新信息。
• tavily-extract：智能提取网页中的结构化数据，便于检索相关内容和事实。
• tavily-map：创建网站结构化地图，帮助 AI 系统理解网站架构及页面间关系。
• tavily-crawl：系统性地爬取网站，实现大规模网页数据收集与分析。

加入我们的新闻通讯

免费获取最新提示、趋势和优惠。

电子邮件地址

订阅

该 MCP 服务器的应用场景

• 实时网页搜索集成：开发者可让 AI 智能体获取最新网络信息，支持新闻聚合、研究、事实核查等应用。
• 自动化数据提取：AI 系统可从多种网站提取结构化数据，适用于市场分析、线索收集或学术研究等场景。
• 网站结构映射与分析：通过生成网站结构图，助力 SEO 分析、竞争情报及技术审计。
• 知识图谱网页爬取：系统性爬取目标域名，构建大规模知识图谱或数据集。
• 提升 AI 智能体上下文感知：通过搜索与提取工具，让 AI 能基于最新网页环境，更准确响应用户需求。

如何部署

Windsurf

1. 确保已安装 Node.js。
2. 找到你的 Windsurf 配置文件（如 windsurf.config.json）。
3. 使用以下 JSON 片段添加 Tavily MCP 服务器：

   {
     "mcpServers": {
       "tavily-mcp": {
         "command": "npx",
         "args": ["@tavily-ai/tavily-mcp@latest"]
       }
     }
   }
   

4. 保存文件并重启 Windsurf。
5. 检查 Tavily MCP 工具是否可用以验证配置。

API 密钥安全存储（Windsurf）

{
  "mcpServers": {
    "tavily-mcp": {
      "command": "npx",
      "args": ["@tavily-ai/tavily-mcp@latest"],
      "env": {
        "TAVILY_API_KEY": "${TAVILY_API_KEY}"
      },
      "inputs": {
        "api_key": "${TAVILY_API_KEY}"
      }
    }
  }
}

请将 Tavily API 密钥存储为环境变量以增强安全性。

Claude

1. 安装 Node.js。
2. 打开 Claude 的配置文件。
3. 添加 Tavily MCP 服务器配置如下：

   {
     "mcpServers": {
       "tavily-mcp": {
         "command": "npx",
         "args": ["@tavily-ai/tavily-mcp@latest"]
       }
     }
   }
   

4. 保存并重启 Claude。
5. 在 Claude 界面检查 Tavily 工具是否可见。

API 密钥安全存储（Claude）

{
  "mcpServers": {
    "tavily-mcp": {
      "command": "npx",
      "args": ["@tavily-ai/tavily-mcp@latest"],
      "env": {
        "TAVILY_API_KEY": "${TAVILY_API_KEY}"
      },
      "inputs": {
        "api_key": "${TAVILY_API_KEY}"
      }
    }
  }
}

Cursor

1. 确认系统已安装 Node.js。
2. 编辑你的 Cursor 配置文件。
3. 在 MCP servers 下插入如下内容：

   {
     "mcpServers": {
       "tavily-mcp": {
         "command": "npx",
         "args": ["@tavily-ai/tavily-mcp@latest"]
       }
     }
   }
   

4. 保存并重启 Cursor。
5. 确认 Tavily MCP 是否可用。

API 密钥安全存储（Cursor）

{
  "mcpServers": {
    "tavily-mcp": {
      "command": "npx",
      "args": ["@tavily-ai/tavily-mcp@latest"],
      "env": {
        "TAVILY_API_KEY": "${TAVILY_API_KEY}"
      },
      "inputs": {
        "api_key": "${TAVILY_API_KEY}"
      }
    }
  }
}

Cline

1. 安装 Node.js。
2. 找到并打开你的 Cline 配置文件。
3. 添加 Tavily MCP 服务器配置如下：

   {
     "mcpServers": {
       "tavily-mcp": {
         "command": "npx",
         "args": ["@tavily-ai/tavily-mcp@latest"]
       }
     }
   }
   

4. 保存配置文件并重启 Cline。
5. 通过运行 Tavily 相关命令或工具验证配置。

API 密钥安全存储（Cline）

{
  "mcpServers": {
    "tavily-mcp": {
      "command": "npx",
      "args": ["@tavily-ai/tavily-mcp@latest"],
      "env": {
        "TAVILY_API_KEY": "${TAVILY_API_KEY}"
      },
      "inputs": {
        "api_key": "${TAVILY_API_KEY}"
      }
    }
  }
}

请始终将敏感 API 密钥存储为环境变量，避免硬编码。

如何在流程中使用 MCP

FlowHunt 中集成 MCP

要将 MCP 服务器集成到 FlowHunt 工作流，请先在流程中添加 MCP 组件，并将其连接到你的 AI 智能体：

点击 MCP 组件打开配置面板。在系统 MCP 配置区，按以下 JSON 格式输入你的 MCP 服务器详情：

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

配置完成后，AI 智能体即可作为工具调用该 MCP 的全部功能。请记得将 “tavily-mcp” 替换为你的 MCP 服务器实际名称，并将 URL 替换为你自己的 MCP 服务器地址。

总览

综合文档完整性及工具可用性，尽管资源与提示词模板有所缺失，本 MCP 服务器仓库的实际集成与应用评分为 7/10。

MCP 评分