使用说明

项目简介

GPT Researcher MCP Server 是一个基于 Model Context Protocol (MCP) 构建的应用后端，它将 GPT Researcher 的强大网络研究能力通过 MCP 协议开放给 LLM 客户端。该服务器允许 LLM 应用以标准化的方式调用工具进行深入的网络研究、快速搜索，并获取研究报告和相关信息，从而增强 LLM 在信息获取和处理方面的能力。

主要功能点

深度网络研究 (deep_research)：执行全面的网络研究，针对复杂查询提供高质量、深入的信息和分析，例如行业趋势分析、竞品分析等。
快速搜索 (quick_search)：执行快速的网络搜索，适用于需要快速获取信息片段和搜索结果的场景，例如验证事实、获取简要信息等。
研究报告生成 (write_report)：基于已完成的研究生成详细报告，支持自定义 Prompt，可以将研究结果整理成结构化的报告文档。
获取研究来源 (get_research_sources)：检索并返回研究所使用的信息来源列表，方便用户追溯信息来源和评估信息可信度。
获取研究上下文 (get_research_context)：获取完整的研究上下文内容，方便 LLM 应用理解研究的整体脉络和细节信息。
研究资源访问 (research://{topic})：以资源的形式直接访问特定主题的研究结果，无需显式调用工具，简化 LLM 客户端的调用流程。
研究查询 Prompt 模板 (research_query)：提供 Prompt 模板，帮助用户构建研究查询，并指导 LLM 如何有效利用服务器提供的研究能力。

安装步骤

克隆仓库

git clone https://github.com/assafelovic/gpt-researcher.git
cd gpt-researcher

进入 gptr-mcp 目录
```
cd gptr-mcp
```

安装依赖

pip install -r requirements.txt

配置环境变量

复制 '.env.example' 文件创建 '.env' 文件：

cp .env.example .env

编辑 '.env' 文件，填入 OpenAI API Key 和 Tavily API Key：

OPENAI_API_KEY=your_openai_api_key
TAVILY_API_KEY=your_tavily_api_key

服务器配置

MCP 客户端需要配置以下 JSON 信息以连接到 GPT Researcher MCP Server：

{
  "serverName": "GPT Researcher MCP Server",
  "command": "python",
  "args": ["server.py"]
}

'serverName': 服务器名称，可自定义，用于在客户端标识服务器。
'command': 启动服务器的命令，这里使用 'python' 解释器。
'args': 启动命令的参数，指定执行 'server.py' 文件。

基本使用方法

启动服务器：在 'gptr-mcp' 目录下运行命令 'python server.py' 启动 MCP 服务器。
客户端调用：
- LLM 客户端可以通过配置的 JSON 信息连接到 MCP 服务器。
- 使用 'deep_research' 工具进行深度研究，例如查询 "人工智能的未来发展趋势"。
- 使用 'quick_search' 工具进行快速搜索，例如查询 "今日比特币价格"。
- 使用 'write_report' 工具基于 'deep_research' 返回的 'research_id' 生成研究报告。
- 使用 'research://{topic}' 资源直接获取主题研究内容，例如访问 'research://人工智能' 获取关于人工智能的研究信息。
- 使用 'get_research_sources' 和 'get_research_context' 工具获取研究的详细信息。

示例：客户端调用 'deep_research' 工具，参数为 '{"query": "可再生能源的最新进展"}'，服务器将返回研究结果，包含 'research_id'，客户端可以使用此 ID 调用其他工具如 'write_report' 或 'get_research_sources'。

关键词