LCBro

<div align="center"> <img src="assets/logo.svg" alt="LCBro Logo" width="200" height="150"> # LCBro - Barato Operações Remotas de Navegador **Operações Leves de Navegador Remoto - O Servidor MCP Legal de Automação de Navegador** [](https://www.npmjs.com/package/lcbro) [](https://opensource.org/licenses/MIT) [](https://nodejs.org/) [](https://github.com/lcbro/lcbro/actions/workflows/ci.yml) [](https://github.com/lcbro/lcbro/actions/workflows/docker.yml) [](https://github.com/lcbro/lcbro/actions/workflows/release.yml) [](https://github.com/lcbro/lcbro/actions/workflows/nightly.yml) ⚡ **Velocidade Relâmpago** • 🎯 **Configuração Zero** • 🚀 **Pronto para Produção** </div> LCBro é um poderoso servidor MCP para automação de navegador com suporte tanto para Playwright quanto para Chrome DevTools Protocol (CDP). Ele fornece pré-processamento inteligente, logging abrangente e capacidades de gerenciamento de navegador remoto. **🎯 Foco na Otimização de Custos**: Este projeto é especificamente projetado para otimizar custos de requisições LLM e reduzir o uso de contexto através de pré-processamento inteligente e limpeza de dados usando modelos LLM locais antes de enviar para APIs LLM principais caras. Esta abordagem pode reduzir custos em até 80% enquanto melhora a qualidade dos resultados. ## Recursos - **Automação de Navegador**: Controle navegadores reais com execução JavaScript, login, cliques, digitação - **Extração de Conteúdo**: Extrair texto, HTML, tabelas, atributos e capturas de tela - **Gerenciamento de Sessão**: Sessões persistentes de navegador com fluxos de autenticação - **Integração LLM**: Transformar e limpar dados extraídos usando vários provedores LLM - **Múltiplos Provedores**: Suporte para OpenAI, Anthropic, Ollama e JAN AI - **Integração IDE**: Funciona com Claude Desktop e Cursor IDE ## Instalação ```bash npm install npm run build npm run install:browsers ``` ## Configuração Crie um arquivo `config/default.yaml` ou defina a variável de ambiente `CONFIG_PATH`: ```yaml browser: headless: true maxContexts: 8 storageDir: /data/profiles defaultTimeoutMs: 30000 llm: defaultModel: "ollama:llama3.1" maxOutputTokens: 2000 temperature: 0 host: "localhost" port: 11434 janPort: 1337 autoPreprocess: true security: allowDomains: ["example.com", "gov.br"] blockPrivateNetworks: true limits: maxChars: 300000 maxScreenshotBytes: 8000000 ``` ## Variáveis de Ambiente ### Para LLMs Locais (Recomendado) #### Ollama (gratuito, sem chaves API necessárias) ```yaml llm: defaultModel: "ollama:llama3.1" # ou seu modelo host: "localhost" # endereço do servidor Ollama port: 11434 # porta Ollama ``` #### JAN AI (gratuito, com chave API opcional) ```yaml llm: defaultModel: "jan:llama-3.1-8b" # ou seu modelo no JAN host: "localhost" # endereço do servidor JAN janPort: 1337 # porta JAN ``` Para JAN, também configure a variável de ambiente se necessário: ```bash JAN_API_KEY=sua_chave_api_jan_aqui ``` ### Para Provedores LLM Externos (Opcional) Crie arquivo `.env` apenas se quiser usar APIs externas: ```bash # Chave API JAN (apenas se JAN requer autenticação) JAN_API_KEY=sua_chave_api_jan_aqui # Chave API OpenAI (apenas se precisar de modelos GPT) OPENAI_API_KEY=sk-sua_chave_api_openai_aqui # Chave API Anthropic (apenas se precisar de modelos Claude) ANTHROPIC_API_KEY=sk-ant-sua_chave_api_anthropic_aqui # Caminho do arquivo de configuração (opcional) CONFIG_PATH=/caminho/para/config.yaml ``` ### Como obter chaves API: **OpenAI:** 1. Vá para https://platform.openai.com/api-keys 2. Crie uma nova chave API 3. Copie a chave no formato `sk-...` **Anthropic:** 1. Vá para https://console.anthropic.com/ 2. Navegue para a seção API Keys 3. Crie uma nova chave no formato `sk-ant-...` **JAN AI:** 1. Baixe e instale o JAN de https://jan.ai/ 2. Inicie o JAN e carregue um modelo 3. Se a chave API for necessária, configure-a nas Configurações do JAN **Para Ollama e JAN (modelos locais):** Chaves API geralmente não são necessárias, apenas configure `host`, `port` e `janPort` na configuração. ## Uso ### Início Rápido 1. **Instale dependências:** ```bash npm install npm run install:browsers ``` 2. **Configure LLM (escolha uma opção):** ### Opção A - Ollama (recomendado, gratuito) ```bash # Certifique-se de que o Ollama está rodando ollama serve # Verifique modelos disponíveis ollama list # Baixe modelo se necessário ollama pull llama3.1 ``` Configure em `config/default.yaml`: ```yaml llm: defaultModel: "ollama:llama3.1" # seu modelo de "ollama list" host: "localhost" # ou IP do seu servidor port: 11434 # porta Ollama ``` ### Opção B - JAN AI (gratuito, interface gráfica) ```bash # 1. Baixe JAN AI de https://jan.ai/ # 2. Inicie o JAN # 3. Carregue modelo através da interface # 4. Habilite API Server nas Configurações ``` Configure em `config/default.yaml`: ```yaml llm: defaultModel: "jan:llama-3.1-8b" # nome do modelo no JAN host: "localhost" # ou IP do servidor JAN janPort: 1337 # porta do API Server JAN ``` Se JAN requer chave API, adicione ao `.env`: ```bash echo "JAN_API_KEY=sua_chave_jan" > .env ``` ### Opção C - APIs Externas (pago) ```bash # Crie arquivo .env com chaves cp env.example .env nano .env # adicione suas chaves API ``` 3. **Compile o projeto:** ```bash npm run build ``` 4. **Inicie o servidor:** ```bash npm start ``` ### Configuração para Claude Desktop 1. **Encontre o arquivo de configuração do Claude Desktop:** - **macOS:** `~/Library/Application Support/Claude/claude_desktop_config.json` - **Windows:** `%APPDATA%\Claude\claude_desktop_config.json` 2. **Adicione configuração do servidor MCP:** **Importante:** Substitua `/caminho/para/seu` pelo caminho absoluto real do seu projeto. Para encontrar o caminho completo, execute na raiz do projeto: ```bash pwd # Exemplo de saída: /Users/username/projects/mcp_servers/lc-browser-mcp ``` ### Exemplos de Configuração Claude Desktop: **Para Ollama (sem chaves API):** ```json { "mcpServers": { "lc-browser-mcp": { "command": "node", "args": ["/caminho/para/seu/mcp_servers/lc-browser-mcp/dist/index.js"] } } } ``` **Para JAN AI (com chave API):** ```json { "mcpServers": { "lc-browser-mcp": { "command": "node", "args": ["/caminho/para/seu/mcp_servers/lc-browser-mcp/dist/index.js"], "env": { "JAN_API_KEY": "sua_chave_api_jan_aqui" } } } } ``` **Para APIs externas (OpenAI/Anthropic):** ```json { "mcpServers": { "lc-browser-mcp": { "command": "node", "args": ["/caminho/para/seu/mcp_servers/lc-browser-mcp/dist/index.js"], "env": { "OPENAI_API_KEY": "sk-sua_chave_openai_aqui", "ANTHROPIC_API_KEY": "sk-ant-sua_chave_anthropic_aqui" } } } } ``` **Configuração combinada (todos os provedores):** ```json { "mcpServers": { "lc-browser-mcp": { "command": "node", "args": ["/caminho/para/seu/mcp_servers/lc-browser-mcp/dist/index.js"], "env": { "JAN_API_KEY": "sua_chave_jan", "OPENAI_API_KEY": "sk-sua_chave_openai", "ANTHROPIC_API_KEY": "sk-ant-sua_chave_anthropic" } } } } ``` 3. **Reinicie o Claude Desktop** ### Configuração para Cursor IDE 1. **Encontre o arquivo de configuração do Cursor:** - **macOS:** `~/Library/Application Support/Cursor/User/settings.json` - **Windows:** `%APPDATA%\Cursor\User\settings.json` - **Linux:** `~/.config/Cursor/User/settings.json` Ou use o arquivo pronto `cursor-mcp-config.json` do projeto. 2. **Encontre o caminho completo do projeto:** ```bash pwd # Exemplo: /Users/username/projects/mcp_servers/lc-browser-mcp ``` 3. **Adicione servidor MCP ao settings.json (substitua caminhos pelos seus):** **Para Ollama (sem chaves API):** ```json { "mcp": { "servers": { "lc-browser-mcp": { "command": "node", "args": ["/caminho/para/seu/mcp_servers/lc-browser-mcp/dist/index.js"], "cwd": "/caminho/para/seu/mcp_servers/lc-browser-mcp" } } } } ``` **Para JAN AI (com chave API):** ```json { "mcp": { "servers": { "lc-browser-mcp": { "command": "node", "args": ["/caminho/para/seu/mcp_servers/lc-browser-mcp/dist/index.js"], "cwd": "/caminho/para/seu/mcp_servers/lc-browser-mcp", "env": { "JAN_API_KEY": "sua_chave_api_jan_aqui" } } } } } ``` **Para APIs externas:** ```json { "mcp": { "servers": { "lc-browser-mcp": { "command": "node", "args": ["/caminho/para/seu/mcp_servers/lc-browser-mcp/dist/index.js"], "cwd": "/caminho/para/seu/mcp_servers/lc-browser-mcp", "env": { "OPENAI_API_KEY": "sk-sua_chave_openai_aqui", "ANTHROPIC_API_KEY": "sk-ant-sua_chave_anthropic_aqui", "JAN_API_KEY": "sua_chave_jan" } } } } } ``` 4. **Reinicie o Cursor** 5. **Ative MCP no chat:** - Abra chat AI no Cursor (`Cmd/Ctrl + L`) - Use `@lc-browser-mcp` para acessar ferramentas de navegação ### Teste Após a configuração, novas ferramentas aparecerão no Claude Desktop ou Cursor. Você pode testá-las: **No Claude Desktop:** ``` Você pode abrir example.com e extrair o título da página? ``` **No Cursor IDE:** ``` @lc-browser-mcp abra example.com e extraia o título da página ``` A IA deve responder algo como: > Claro! Vou abrir example.com e extrair o título da página. E executar comandos navigate.open e extract.content. ### Ferramentas Disponíveis 1. **navigate.open** - Abrir URL e criar contexto de página 2. **navigate.goto** - Navegar para URL em contexto existente 3. **interact.click** - Clicar elementos por CSS/texto/papel 4. **interact.type** - Digitar texto em campos de entrada 5. **interact.wait** - Aguardar condições 6. **extract.content** - Extrair conteúdo da página (text/html/markdown) 7. **extract.table** - Extrair tabelas como JSON 8. **extract.attributes** - Extrair atributos de elementos 9. **extract.screenshot** - Tirar capturas de tela 10. **session.auth** - Realizar sequências de autenticação 11. **llm.transform** - Transformar dados usando LLM com instruções personalizadas, validação de esquema JSON e pré-processamento opcional ### Exemplo: Extrair Tabela de Website ```typescript // 1. Abrir página const openResult = await mcp.callTool('navigate.open', { url: 'https://example.com/data', persistSessionKey: 'my-session' }); // 2. Aguardar carregamento da tabela await mcp.callTool('interact.wait', { pageId: openResult.pageId, for: 'selector', selector: 'table.data' }); // 3. Extrair tabela const tableResult = await mcp.callTool('extract.table', { pageId: openResult.pageId, tableCss: 'table.data', headerStrategy: 'auto' }); // 4. Transformar com LLM (com pré-processamento opcional) const cleanResult = await mcp.callTool('llm.transform', { input: { kind: 'json', data: JSON.stringify(tableResult.tables[0]) }, instruction: 'Extrair apenas os campos mais importantes e padronizar o formato dos dados', model: 'gpt-4o-mini', preprocessRequest: 'Remover valores vazios ou nulos, normalizar campos de texto e garantir formatos de data consistentes' }); ``` ### Pré-processamento Automático **O que é?** O pré-processamento automático é um sistema inteligente que analisa dados de entrada e os limpa automaticamente antes do processamento principal através do LLM. É um processo de duas etapas: 1. **Etapa de pré-processamento** (automática) — LLM local limpa e prepara dados 2. **Etapa de processamento principal** — LLM alvo processa dados já limpos **Por que é necessário?** 🎯 **Economia de tokens e custos** — APIs caras (OpenAI, Anthropic) recebem dados já limpos 📊 **Melhores resultados de qualidade** — LLM trabalha com dados limpos e estruturados ⚡ **Automação** — não é necessário planejar manualmente a limpeza de dados 🔧 **Adaptação inteligente** — sistema entende o que precisa ser limpo com base no tipo de dados e tarefa **Como funciona?** ``` Dados brutos → [LLM local limpa] → Dados limpos → [LLM alvo processa] → Resultado ↓ ↓ ↓ ↓ HTML com anúncios Remove navegação, Apenas conteúdo Extrai estrutura e navegação anúncios, scripts do produto JSON ``` O sistema determina automaticamente quando o pré-processamento é necessário: **Automaticamente habilitado para:** - Conteúdo HTML > 5000 caracteres - Texto > 3000 caracteres - Arrays JSON > 10 elementos - Objetos JSON > 20 campos - Instruções com palavras-chave: "limpar", "extrair", "analisar", "padronizar", "normalizar" **Exemplos de processamento automático:** 📄 **Conteúdo HTML** — sistema remove: - Menus de navegação e barras laterais - Blocos de anúncio e banners - Código JavaScript e estilos CSS - Comentários e informações de serviço - Foca no conteúdo principal do artigo/produto 📝 **Dados de texto** — sistema corrige: - Erros de digitação e gramática - Múltiplos espaços e quebras de linha - Frases duplicadas - Organização lógica de parágrafos 📊 **Dados JSON** — sistema padroniza: - Remove valores nulos e vazios - Padroniza nomes de campos para estilo unificado - Converte datas para formato YYYY-MM-DD - Normaliza valores numéricos e moedas - Mescla registros duplicados **Adaptação inteligente de tarefa:** O sistema analisa sua instrução e adapta o pré-processamento: - "extrair **tabela**" → preserva estruturas de tabela - "encontrar **produtos**" → foca em cartões de produto - "obter **artigo**" → preserva texto principal do artigo - "estruturar **dados**" → normaliza formatos **Configurando pré-processamento automático:** ```yaml # config/default.yaml llm: autoPreprocess: true # habilitar pré-processamento automático (padrão) autoPreprocess: false # desabilitar pré-processamento automático ``` **Comparação: com e sem pré-processamento** ❌ **Sem pré-processamento:** ``` Dados de entrada: Página HTML (50KB) com anúncios, menus, scripts ↓ Resultado: LLM tenta encontrar produtos entre anúncios e navegação → Baixa qualidade, muitos erros, caro (muitos tokens) ``` ✅ **Com pré-processamento automático:** ``` Dados de entrada: Página HTML (50KB) com anúncios, menus, scripts ↓ Pré-processamento: LLM local remove anúncios, mantém apenas produtos (5KB) ↓ Processamento principal: LLM alvo estrutura dados limpos de produto ↓ Resultado: Alta qualidade, rápido, econômico ``` **Exemplo de economia de custos:** - Processamento de 50KB HTML através do GPT-4: ~$0.50 - Com pré-processamento: ~$0.05 (limpeza local) + ~$0.05 (GPT-4 para 5KB) = ~$0.10 - **Economia: 80%** + melhor qualidade de resultado! ### Instruções para Cursor IDE **Solicitação simples (pré-processamento automático):** ``` @lc-browser-mcp extraia produtos desta página HTML e estruture em JSON ``` **Com pré-processamento explícito:** ``` @lc-browser-mcp use llm.transform com: - input: HTML extraído - instruction: "criar catálogo de produtos em JSON" - preprocessRequest: "remover menus, anúncios, manter apenas cartões de produto" - model: "ollama:llama3.1" ``` **Para extração e limpeza de tabela:** ``` @lc-browser-mcp: 1. Abra página de dados 2. Extraia tabela 3. Use llm.transform para limpeza com preprocessRequest: "remover linhas vazias, padronizar datas para YYYY-MM-DD" ``` ### Exemplos de Uso de Pré-processamento **Limpeza de HTML antes da análise:** ```typescript const result = await mcp.callTool('llm.transform', { input: { kind: 'html', data: extractedHTML }, instruction: 'Extrair informações do produto como JSON', model: 'ollama:llama3.1', preprocessRequest: 'Remover todas as tags HTML, menus de navegação, anúncios e manter apenas o conteúdo principal do produto' }); ``` **Normalização de texto antes da estruturação:** ```typescript const result = await mcp.callTool('llm.transform', { input: { kind: 'text', data: messyText }, instruction: 'Criar um resumo estruturado do artigo', model: 'jan:llama-3.1-8b', preprocessRequest: 'Corrigir erros de digitação, normalizar espaços em branco, remover frases duplicadas e organizar parágrafos logicamente' }); ``` **Limpeza de dados de tabela:** ```typescript const result = await mcp.callTool('llm.transform', { input: { kind: 'json', data: JSON.stringify(tableData) }, instruction: 'Converter para formato padronizado com nomes de campos específicos', model: 'gpt-4o-mini', preprocessRequest: 'Remover linhas vazias, mesclar entradas duplicadas, padronizar formatos de data (YYYY-MM-DD) e normalizar valores de moeda' }); ``` ### Cenários Práticos para Cursor **Cenário 1: Análise de produtos de e-commerce** ``` @lc-browser-mcp abra https://loja.exemplo.com/catalogo Extraia informações do produto e limpe dados através de pré-processamento para remover blocos de anúncio ``` **Cenário 2: Análise de notícias** ``` @lc-browser-mcp: 1. Abra site de notícias 2. Extraia artigos com limpeza automática de anúncios e navegação 3. Estruture em JSON com campos: título, data, resumo ``` **Cenário 3: Processamento de documentos legais** ``` @lc-browser-mcp extraia tabela de processos do portal judicial Use pré-processamento automático para padronizar datas e números de casos ``` ## 🔧 Status do Pipeline CI/CD **Testes e Implantação Automatizados** 🚀 | Pipeline | Status | Descrição | |----------|--------|-----------| | **CI/CD** | [](https://github.com/lcbro/lcbro/actions/workflows/ci.yml) | Pipeline principal de build, teste e implantação | | **Docker** | [](https://github.com/lcbro/lcbro/actions/workflows/docker.yml) | Builds de contêiner e testes multiplataforma | | **Release** | [](https://github.com/lcbro/lcbro/actions/workflows/release.yml) | Release automático e publicação npm | | **Nightly** | [](https://github.com/lcbro/lcbro/actions/workflows/nightly.yml) | Testes estendidos e benchmarks de performance | ### 📊 Métricas de Qualidade - **Cobertura de Testes**: >80% (Unit + E2E) - **Tempo de Build**: ~3-5 minutos - **Build Docker**: Multi-estágio com cache de camadas - **Segurança**: Análise CodeQL + scanning de dependências [📋 Ver todos os workflows →](.github/WORKFLOWS.md) | [🚀 Ver execuções do pipeline →](https://github.com/lcbro/lcbro/actions) ## 🏆 Status do Projeto ✅ **Pronto para Produção** - Todas as funcionalidades implementadas e testadas ✅ **Pacote npm Pronto** - Pode ser instalado globalmente via npm ✅ **Interface CLI** - Interface de linha de comando completa ✅ **Documentação** - Documentação abrangente fornecida ✅ **Suporte Multi-idioma** - Inglês, russo, português ✅ **Zero Breaking Changes** - Toda funcionalidade original preservada ✅ **Integração Contínua** - Testes e implantação automatizados ✅ **Suporte Docker** - Builds multi-estágio e testes de contêiner ✅ **Scanning de Segurança** - Detecção automática de vulnerabilidades ## Desenvolvimento ### Pré-requisitos ```bash npm install npm run install:browsers ``` ### Build & Teste ```bash # Fazer build do projeto npm run build # Executar testes npm test # Executar testes E2E npm run test:e2e # Executar pipeline CI localmente make ci ``` ### Modo de desenvolvimento ```bash npm run dev # Iniciar em modo de desenvolvimento npm run dev:watch # Iniciar com recarga automática npm test # Executar testes ``` ## Códigos de Erro - `nav_timeout` - Timeout de navegação - `selector_not_found` - Elemento não encontrado - `captcha_required` - CAPTCHA detectado - `dom_too_large` - Conteúdo excede limites de tamanho - `llm_failed` - Erro de processamento LLM - `page_not_found` - ID de página inválido - `internal_error` - Erro geral do servidor ## Idiomas da Documentação Este projeto suporta múltiplos idiomas: - **English**: [README.md](README.md) - **Русский**: [README.ru.md](README.ru.md) - **Português** (atual): [README.pt.md](README.pt.md) - **Navegação de idiomas**: [README.languages.md](README.languages.md) ### Arquivos de Configuração por Idioma **English (padrão):** - `example-mcp-config.json` - configuração Claude Desktop - `cursor-mcp-config.json` - configuração Cursor IDE - `env.example` - modelo de variáveis de ambiente **Português:** - `example-mcp-config.pt.json` - Configuração Claude Desktop - `cursor-mcp-config.pt.json` - Configuração Cursor IDE - `env.pt.example` - Modelo de variáveis de ambiente ## Contribuindo Damos as boas-vindas às contribuições para o Low Cost Browsing MCP Server! Veja como você pode ajudar: ### 🚀 Como Contribuir 1. **Faça um Fork do Repositório** ```bash # Clique no botão "Fork" no GitHub ou use GitHub CLI gh repo fork nightweb/lc-browser-mcp ``` 2. **Clone seu Fork** ```bash git clone https://github.com/SEU_USUARIO/lc-browser-mcp.git cd lc-browser-mcp ``` 3. **Crie uma Branch para Feature** ```bash git checkout -b feature/nome-da-sua-feature # ou git checkout -b fix/correção-do-bug ``` 4. **Faça suas Alterações** - Escreva código limpo e bem documentado - Siga o estilo de código existente - Adicione testes para novas funcionalidades - Atualize a documentação conforme necessário 5. **Teste suas Alterações** ```bash # Execute testes locais npm test npm run build # Execute testes Docker make test-unit make test-e2e ``` 6. **Faça Commit das suas Alterações** ```bash git add . git commit -m "feat: adicionar descrição da sua feature" # ou git commit -m "fix: descrever a correção do bug" ``` 7. **Envie para seu Fork** ```bash git push origin feature/nome-da-sua-feature ``` 8. **Crie um Pull Request** - Vá para o repositório original no GitHub - Clique em "New Pull Request" - Selecione seu fork e branch - Preencha o template do PR com: - Descrição clara das alterações - Link para issues relacionadas - Screenshots se aplicável - Instruções de teste ### 📋 Diretrizes do Pull Request **Antes de enviar:** - ✅ O código compila sem erros (`npm run build`) - ✅ Todos os testes passam (`npm test`) - ✅ Testes Docker funcionam (`make test-unit`) - ✅ Código segue as convenções do projeto - ✅ Documentação está atualizada - ✅ Mensagens de commit são descritivas **Requisitos do PR:** - Título claro e descritivo - Descrição detalhada das alterações - Referência a issues relacionadas (`Fixes #123`) - Adicione revisores se souber quem deve revisar - Use labels: `bug`, `feature`, `documentation`, etc. **Processo de Revisão:** 1. Testes automatizados executam via GitHub Actions 2. Revisão de código pelos mantenedores 3. Abordar alterações solicitadas 4. Aprovação final e merge ### 🐛 Reportando Issues Encontrou um bug? Crie uma issue com: - **Título claro** descrevendo o problema - **Passos para reproduzir** a issue - **Comportamento esperado** vs comportamento real - **Detalhes do ambiente** (OS, versão Node.js, etc.) - **Screenshots** se aplicável - **Logs de erro** se disponíveis ### 💡 Solicitações de Features Tem uma ideia? Crie uma issue com: - **Descrição clara** da feature - **Caso de uso** - por que isso é necessário? - **Solução proposta** se você tiver uma - **Soluções alternativas** que você considerou ### 🏗️ Configuração de Desenvolvimento 1. **Pré-requisitos** ```bash node --version # >= 18 npm --version # >= 8 docker --version # para testes ``` 2. **Instalar Dependências** ```bash npm install npm run install:browsers ``` 3. **Configuração do Ambiente** ```bash cp env.example .env # Edite .env com suas configurações ``` 4. **Executar Servidor de Desenvolvimento** ```bash npm run dev ``` ### 🧪 Testes ```bash # Testes unitários npm test npm run test:watch npm run test:coverage # Testes E2E npm run test:e2e npm run test:e2e:ui # Testes Docker make test-unit make test-e2e make test-all # Testes CI ./scripts/ci-test.sh ``` ### 📖 Documentação Ajude a melhorar nossa documentação: - Corrija erros de digitação e gramática - Adicione exemplos em falta - Melhore a documentação da API - Traduza para outros idiomas - Adicione tutoriais e guias ### 🤝 Código de Conduta - Seja respeitoso e inclusivo - Ajude outros a aprender e crescer - Foque em feedback construtivo - Siga as diretrizes da comunidade GitHub ### 📞 Obtendo Ajuda - 📖 **Documentação**: Verifique a documentação existente primeiro - 🐛 **Issues**: Procure em issues existentes - 💬 **Discussões**: Use GitHub Discussions para perguntas - 🔧 **CI/CD Workflows**: [Documentação de workflows](.github/WORKFLOWS.md) - 🚀 **Status do Pipeline**: [GitHub Actions](https://github.com/lcbro/lcbro/actions) - 🛡️ **Relatórios de Segurança**: [Aba Security](https://github.com/lcbro/lcbro/security) - 📧 **Contato**: Entre em contato com os mantenedores Obrigado por contribuir com o Low Cost Browsing MCP Server! 🎉 ## Licença MIT