Deep Research MCP

🚀 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：

1. 克隆仓库：

git clone https://github.com/ali-kh7/deep-research-mcp.git

2. 进入项目目录：

cd deep-research-mcp

3. 安装依赖项：

npm install

4. 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：

1. 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"
}

2. 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。
3. 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：

1. 分叉仓库。
2. 创建新分支：

git checkout -b feature/YourFeatureName

3. 进行更改。
4. 提交更改：

git commit -m "Add your message here"

5. 推送到分支：

git push origin feature/YourFeatureName

6. 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！