🚀 深度研究MCP 🌐
深度研究MCP项目提供了一个符合模型上下文协议（MCP）的服务器，旨在助力全面的网络研究。借助Tavily的搜索和爬取API，该服务器能收集各主题的详细信息，并对数据进行结构化处理，以支持利用大语言模型（LLMs）创建高质量的Markdown文档。
🚀 快速开始
若要使用深度研究MCP，可按以下步骤操作：
- 克隆仓库：
git clone https://github.com/ali-kh7/deep-research-mcp.git
- 进入项目目录：
cd deep-research-mcp
- 安装依赖项：
npm install
- 启动服务器：
npm start
你也可以在发布版本部分查看可下载的文件和特定版本。
✨ 主要特性
- MCP兼容性：服务器遵循模型上下文协议，确保与各种工具和服务兼容。
- 数据聚合：高效地从多个来源收集和结构化数据。
- Markdown生成：将收集到的数据转换为结构良好的Markdown文档。
- 网络爬取：利用Tavily的搜索和爬取API进行深入的网络研究。
- Node.js和TypeScript构建：采用现代技术构建，以实现更好的性能和可维护性。
💻 使用示例
基础用法
当服务器启动后，你可以通过API与它进行交互。以下是如何有效使用它的步骤：
- 发送信息收集请求： 你可以向服务器发送包含特定主题的请求以收集数据。服务器将返回可用于生成Markdown的结构化信息。 示例请求：
POST /api/research
Content-Type: application/json
{
"topic": "Artificial Intelligence"
}
- 接收结构化数据： 服务器将以结构化格式响应数据。这些数据可以直接使用或转换为Markdown文档。
- 生成Markdown文档： 可以使用API中提供的函数将结构化数据转换为Markdown。
示例Markdown输出
# Artificial Intelligence
## Overview
Artificial Intelligence (AI) refers to the simulation of human intelligence in machines.
## Applications
- Healthcare
- Finance
- Transportation
## Conclusion
AI is transforming industries and shaping the future.
📚 详细文档
有关详细的API文档，请参考此仓库中的docs文件夹。其中包含所有可用端点、请求格式和响应结构的信息。
端点
- POST /api/research：收集特定主题的信息。
- GET /api/status：检查服务器状态。
🔧 技术细节
本项目使用Node.js和TypeScript构建，遵循模型上下文协议（MCP），利用Tavily的搜索和爬取API进行数据收集，能够高效地从多个来源聚合数据，并将其转换为适合大语言模型处理的结构化格式，最终生成高质量的Markdown文档。
🤝 贡献指南
我们欢迎大家为改进深度研究MCP做出贡献。如果你想贡献代码，请遵循以下步骤：
- 分叉仓库。
- 创建新分支：
git checkout -b feature/YourFeatureName
- 进行更改。
- 提交更改：
git commit -m "Add your message here"
- 推送到分支：
git push origin feature/YourFeatureName
- 打开拉取请求。
📄 许可证
本项目采用MIT许可证。有关详细信息，请参阅LICENSE文件。
🛠️ 支持
如果你遇到任何问题或有疑问，请查看发布版本部分或在仓库中创建一个问题。
感谢你关注深度研究MCP！我们希望这个工具能提升你的网络研究能力。编码愉快！