Crawl4AI MCP Server

这是一个基于MCP (Model Context Protocol)的智能信息获取服务器,为AI助手系统提供强大的搜索能力和面向LLM优化的网页内容理解功能。通过多引擎搜索和智能内容提取,帮助AI系统高效获取和理解互联网信息,将网页内容转换为最适合LLM处理的格式。

特性

• 🔍 强大的多引擎搜索能力,支持DuckDuckGo和Google
• 📚 面向LLM优化的网页内容提取,智能过滤非核心内容
• 🎯 专注信息价值,自动识别和保留关键内容
• 📝 多种输出格式,支持引用溯源
• 🚀 基于FastMCP的高性能异步设计

安装

方式1: 大部分的安装场景

1. 确保您的系统满足以下要求:

2. 克隆仓库:

git clone https://github.com/yourusername/crawl4ai-mcp-server.git
cd crawl4ai-mcp-server

3. 创建并激活虚拟环境:

python -m venv crawl4ai_env
source crawl4ai_env/bin/activate  # Linux/Mac
# 或
.\crawl4ai_env\Scripts\activate  # Windows

4. 安装依赖:

pip install -r requirements.txt

5. 安装playwright浏览器:

playwright install

方式2: 安装到Claude桌面客户端 via Smithery

通过 Smithery 将 Crawl4AI MCP 的 Claude 桌面端服务安装自动配置至您本地的 `Claude 伸展中心`:

npx -y @smithery/cli install @weidwonder/crawl4ai-mcp-server --client claude

使用方法

服务器提供以下工具:

search

强大的网络搜索工具,支持多个搜索引擎:

• DuckDuckGo搜索(默认): 无需API密钥,全面处理AbstractText、Results和RelatedTopics
• Google搜索: 需要配置API密钥,提供精准搜索结果
• 支持同时使用多个引擎获取更全面的结果

参数说明:

• `query`: 搜索查询字符串
• `num_results`: 返回结果数量(默认10)
• `engine`: 搜索引擎选择
  • "duckduckgo": DuckDuckGo搜索(默认)
  • "google": Google搜索(需要API密钥)
  • "all": 同时使用所有可用的搜索引擎

示例:

# DuckDuckGo搜索(默认)
{
    "query": "python programming",
    "num_results": 5
}

# 使用所有可用引擎
{
    "query": "python programming",
    "num_results": 5,
    "engine": "all"
}

read_url

面向LLM优化的网页内容理解工具,提供智能内容提取和格式转换:

• `markdown_with_citations`: 包含内联引用的Markdown(默认),保持信息溯源
• `fit_markdown`: 经过LLM优化的精简内容,去除冗余信息
• `raw_markdown`: 基础HTML→Markdown转换
• `references_markdown`: 单独的引用/参考文献部分
• `fit_html`: 生成fit_markdown的过滤后HTML
• `markdown`: 默认Markdown格式

示例:

{
    "url": "https://example.com",
    "format": "markdown_with_citations"
}

示例:

# DuckDuckGo搜索(默认)
{
    "query": "python programming",
    "num_results": 5
}

# Google搜索
{
    "query": "python programming",
    "num_results": 5,
    "engine": "google"
}

如需使用Google搜索,需要在config.json中配置API密钥:

{
    "google": {
        "api_key": "your-api-key",
        "cse_id": "your-cse-id"
    }
}

LLM内容优化

服务器采用了一系列针对LLM的内容优化策略:

• 智能内容识别: 自动识别并保留文章主体、关键信息段落
• 噪音过滤: 自动过滤导航栏、广告、页脚等对理解无帮助的内容
• 信息完整性: 保留URL引用,支持信息溯源
• 长度优化: 使用最小词数阈值(10)过滤无效片段
• 格式优化: 默认输出markdown_with_citations格式,便于LLM理解和引用

开发说明

项目结构:

crawl4ai_mcp_server/
├── src/
│   ├── index.py      # 服务器主实现
│   └── search.py     # 搜索功能实现
├── config_demo.json  # 配置文件示例
├── pyproject.toml    # 项目配置
├── requirements.txt  # 依赖列表
└── README.md        # 项目文档

配置说明

1. 复制配置示例文件:

cp config_demo.json config.json

2. 如需使用Google搜索,在config.json中配置API密钥:

{
    "google": {
        "api_key": "your-google-api-key",
        "cse_id": "your-google-cse-id"
    }
}

更新日志

• 2025.02.08: 添加搜索功能,支持DuckDuckGo(默认)和Google搜索
• 2025.02.07: 重构项目结构,使用FastMCP实现,优化依赖管理
• 2025.02.07: 优化内容过滤配置,提高token效率并保持URL完整性

许可证

MIT License

贡献

欢迎提交Issue和Pull Request!

作者

• Owner: weidwonder
• Coder: Claude Sonnet 3.5

致谢

感谢所有为项目做出贡献的开发者!

特别感谢:

• Crawl4ai 项目提供的优秀网页内容提取技术支持