research-mcp

一个无状态的 MCP 门面，将搜索/读取提供者的层级隐藏在单个 streamable-http MCP 端点之后，并仅暴露 3 个简洁的工具，带有良好的俄语帮助文本。LLM 获得一个简单的“搜索 → 读取”工具集；在背后，多个提供者会被自动尝试、合并和故障转移。

该应用不进行身份验证——它通过主机上的 Traefik + basicAuth 发布。它不保存任何应用状态：唯一持久化的是 data/ 下的日志文件（保存在卷上）。

工具

Related MCP server: Web Search MCP

架构：类型与实例

提供者是插件。我们区分：

• 类型 — 一个实现类（例如 searxng 搜索提供者），每个模块在 src/providers/ 中，使用 @register("type") 注册。

• 实例 — 一个类型的配置副本，其密钥/URL 从命名环境变量解析（允许一个类型的多个实例，例如 tavily-1 / tavily-2 使用不同的密钥）。

哪些实例存在以及每个管道尝试它们的顺序在代码中配置（src/pipeline_config.py）；密钥/URL 来自按变量名的 ENV。

• 搜索管道（searxng → brave → jina-search → serper → exa）：启用的实例并发运行；结果按规范化 URL 合并和去重（管道位置靠前的优先）。当设置了 JINA_API_KEY（且未关闭 SEARCH_RERANK_ENABLED）时，合并后的完整列表会由 jina-reranker-v3.5 重新排序，以便裁剪到 num_results 时保留最相关的结果，而不是盲目的管道顺序前缀；任何重排失败都会回退到合并顺序。 searxng 和 brave 还会在本地限制自身（分别每 45 秒和每 1.1 秒一个查询，匹配测量的上游限制）；当槽位被占用时，它们会跳过当前搜索而不是等待。

• 读取管道（trafilatura → jina → crawl4ai → tavily-1 → tavily-2 → firecrawl）：一个探测 GET 对 URL 进行分类。PDF（Content-Type / .pdf / %PDF 魔数）使用 pypdf 提取；对于 HTML，同一主体交给 trafilatura，这样热路径不会 GET 两次，然后按顺序尝试其余实例，第一个返回内容 >= FALLBACK_MIN_CHARS 的获胜。

横切：一次瞬态重试（5xx / 传输错误）带短退避；402（信用不足）/ 429（限流）被视为提供者失败 → 下一个实例（这就是 tavily-1 → tavily-2 故障转移的原因）。

一个实例启用仅当设置了其必需的环境变量；否则跳过并记录日志。trafilatura 不需要配置（始终开启）；jina 无密钥工作（其密钥可选）。启动时服务器要求至少一个搜索和一个读取实例，否则以明确消息退出。

添加提供者

1. 编写 src/providers/<type>.py，包含一个用 @register("<type>") 装饰的类，实现 SearchProvider.search(...) 或 ReadProvider.read(...)。

2. 在 src/providers/__init__.py 中导入模块（以便装饰器运行）。

3. 在 src/pipeline_config.py 中添加 Instance("name", "<type>", api_key_env="YOUR_ENV_NAME") 行，并在 SEARCH_PIPELINE / READ_PIPELINE 中引用其 name。使用 ENV 变量名，而不是值。

4. 在 .env.example 中记录环境变量。

快速开始

make install                # create .venv + install dev/test deps
cp .env.example .env        # fill in the keys you have  (shortcut: make env)
make test                   # run tests
make run                    # run the server (streamable-http on MCP_HOST:MCP_PORT, endpoint /mcp)

配置

所有配置来自 ENV / .env（参见 .env.example）。提供者密钥/URL 在实例加载器中按名称读取，而不是声明为 Settings 字段。非秘密旋钮（全部有默认值）：MCP_HOST、MCP_PORT、LOG_LEVEL、LOG_FILE、LOG_ROTATION、LOG_RETENTION、REQUEST_TIMEOUT、FALLBACK_MIN_CHARS、READ_PAGES_CONCURRENCY、RETRIES、SEARCH_RERANK_ENABLED、JINA_TOKEN_BUDGET。read_pages 每次调用的 URL 上限是固定的 20（硬常量，与工具描述一致）——不可配置。

提供者环境变量：SEARXNG_URL、BRAVE_API_KEY、SERPER_API_KEY、EXA_API_KEY、JINA_API_KEY（一个密钥启用 jina 读取器的密钥模式、jina-search 提供者和搜索重排器；读取器本身也可无密钥工作）、CRAWL4AI_URL + CRAWL4AI_TOKEN、TAVILY_1_API_KEY、TAVILY_2_API_KEY、FIRECRAWL_API_KEY。

代理

任何外部实例都可以通过设置 <INSTANCE>_PROXY 路由到自己的 SOCKS5/HTTP 代理——对于绕过基于 IP 的封锁（例如 Exa 前面的 Cloudflare）很有用。每个实例支持：EXA_PROXY、BRAVE_PROXY、SERPER_PROXY、JINA_PROXY、TAVILY_1_PROXY、TAVILY_2_PROXY、FIRECRAWL_PROXY。内部实例（searxng、crawl4ai、trafilatura）没有代理。

该值直接传递给 httpx；socks5://host:port 执行代理端 DNS（目标主机名由代理解析，如 curl --socks5-hostname），也接受 socks5h:// / http://host:port。未设置 → 该实例直连。管道为每个不同的代理 URL 维护一个池化的 httpx 客户端（以及一个直连客户端），按实例选择，因此代理和直连提供者可以并行运行。需要 socks 额外依赖（httpx[socks]，已固定）。

日志

除了 stderr（由 Docker 的轮转上限 json-file 驱动捕获），服务器还会将持久日志文件写入 data/research-mcp.log（默认；LOG_ROTATION=20 MB，LOG_RETENTION=14 days）。它位于 data/ 卷上，因此在容器重启和镜像更新后仍然存在。该文件为每次工具调用携带一行每请求行——搜索（query、实际运行的提供者实例、结果数、延迟）和读取（url、获胜的提供者/层级或 pdf、ok、延迟），以及 read_pages count=N ok=K 摘要——使其可用于分析请求在提供者层级间的分布。不记录请求体或密钥，仅记录 URL/查询、提供者名称、计数、时间。

部署

Gitea Actions 构建镜像并推送到 Gitea 注册表 gitea.vvzvlad.xyz/projects/research-mcp（test → build，标签 latest + sha）。在生产环境，我们通过 docker-compose.yml 拉取预构建镜像（在 Traefik + basicAuth 后面，watchtower 自动更新 latest；data/ 卷在更新期间保留日志文件）——我们从不生产构建。

布局