AI Search MCP Server

通用 AI 搜索 MCP 服务器，支持任何兼容 OpenAI API 格式的 AI 模型进行联网搜索。

高性能 Rust 实现，支持真正的并发搜索。

特性

• ✅ 支持任何 OpenAI API 兼容的模型
• ✅ 支持流式和非流式响应
• ✅ 自动过滤 AI 思考内容
• ✅ 自动时间注入：每次搜索自动注入当前时间
• ✅ 多维度搜索：自动拆分复杂查询为多个子问题并行搜索
• ✅ 智能重试机制：自动重试失败的请求
• ✅ 高性能并发：基于 Tokio 异步运行时
• ✅ 零依赖部署：单一二进制文件
• ✅ 完全可配置（支持自定义系统提示词）

快速开始

1. 安装

一键安装（推荐）：

# Windows (PowerShell)
irm https://raw.githubusercontent.com/lianwusuoai/ai-search-mcp/main/scripts/install.ps1 | iex

# Linux/macOS
curl -fsSL https://raw.githubusercontent.com/lianwusuoai/ai-search-mcp/main/scripts/install.sh | bash

手动安装：

# 使用 pip
pip install ai-search-mcp

# 或使用 uvx（推荐）
uvx ai-search-mcp

2. 配置

Web UI 配置（推荐）：

# 启动配置界面
ai-search-mcp --http --port 11000

# 浏览器打开
http://localhost:11000/config

配置文件（~/.ai-search-mcp/config.json）：

{
  "api_url": "http://localhost:10000",
  "api_key": "your-api-key",
  "search_model_id": "Grok",
  "analysis_model_id": "MiniMax",
  "timeout": 180,
  "stream": true,
  "filter_thinking": true,
  "analysis_retry_count": 1,
  "search_retry_count": 0,
  "log_level": "INFO",
  "max_query_plan": 10
}

3. 集成到 MCP 客户端

方式 1：stdio 模式（推荐，本地使用）

编辑配置文件（Kiro: .kiro/settings/mcp.json | Claude Desktop: claude_desktop_config.json）：

{
  "mcpServers": {
    "ai-search": {
      "command": "uvx",
      "args": ["ai-search-mcp"]
    }
  }
}

特点：

• 自动启动进程，无需手动管理
• 通过标准输入/输出通信
• 客户端关闭时自动退出
• 适合：IDE 集成（Kiro、Claude Desktop、Cursor）

方式 2：HTTP 模式（启动独立服务器）

{
  "mcpServers": {
    "ai-search": {
      "command": "ai-search-mcp",
      "args": ["--http", "--port", "11000"]
    }
  }
}

特点：

• 启动独立 HTTP 服务器进程
• 支持多客户端并发连接
• 需要手动管理进程生命周期
• 适合：临时测试、开发调试

方式 3：SSE 模式（连接远程服务器）

前提：需要先启动 HTTP 服务器（Docker 或手动启动）

# Docker 启动（推荐）
docker-compose up -d

# 或手动启动
ai-search-mcp --http --port 11000

配置：

{
  "mcpServers": {
    "ai-search": {
      "url": "http://localhost:11000/sse?key=xinchen"
    }
  }
}

特点：

• 连接到已运行的远程服务器
• 通过 SSE 实时推送消息
• 服务器独立运行，支持多客户端
• 适合：生产环境、远程部署、多客户端共享

对比：

特性	stdio 模式	HTTP 模式	SSE 模式
启动方式	自动启动进程	自动启动进程	连接远程服务器
服务器管理	自动管理	手动管理	独立运行
多客户端	❌	✅	✅
远程访问	❌	❌	✅
适用场景	本地 IDE	开发测试	生产环境

**说明**：
- `url`：SSE 端点地址，通过 query 参数传递 API key
- `transport`：必须设置为 `"sse"`
- `key=xinchen`：API 认证（默认 key 是 `xinchen`，生产环境请修改）

## 运行模式说明

### stdio 模式（默认）

- 由 MCP 客户端按需启动，作为子进程运行
- 适用于 IDE 集成（Kiro、Claude Desktop、Cursor 等）
- 客户端关闭时自动退出

### HTTP 模式

**Docker 部署（推荐）**：

```bash
# 快速启动
.\docker-start.ps1  # Windows
./docker-start.sh   # Linux/macOS

# 或手动启动
docker-compose up -d

手动启动：

ai-search-mcp --http --port 11000

对比：

特性	stdio 模式	HTTP (Docker)	HTTP (手动)
启动方式	自动	一次性设置	每次手动
自动重启	✅	✅	❌
多客户端	❌	✅	✅
适用场景	IDE 集成	生产环境	临时测试

配置说明

核心配置

变量	必需	默认值	说明
api_url	✅	-	AI API 地址
api_key	✅	-	API 密钥
search_model_id	✅	-	搜索查询生成模型 ID
analysis_model_id	❌	未设置用 search_model_id	查询拆分模型 ID
timeout	❌	180	超时时间（秒）
stream	❌	true	是否启用流式响应
filter_thinking	❌	true	是否过滤思考内容
analysis_retry_count	❌	1	分析重试次数
search_retry_count	❌	0	搜索重试次数
max_query_plan	❌	10	复杂查询拆分维度数（建议 1~1000）

模型使用逻辑

系统根据 max_query_plan 和 analysis_model_id 配置决定使用哪些模型：

graph TD
    A[用户查询] --> B{max_query_plan = 1?}
    B -->|是| C[单查询模式]
    B -->|否| D[多维度搜索模式]
    
    C --> E[使用搜索模型]
    E --> F[使用搜索系统提示词]
    F --> G[返回搜索结果]
    
    D --> H{是否配置分析模型?}
    H -->|是| I[使用分析模型拆分]
    H -->|否| J[使用搜索模型拆分]
    
    I --> K[使用查询拆分提示词]
    J --> K
    
    K --> L[生成多个子查询]
    L --> M[并发执行子查询]
    M --> N[使用搜索模型]
    N --> F
    F --> O[返回各子查询结果]
    O --> P[AI 合并所有结果]
    P --> Q[返回完整答案]

关键点：

• max_query_plan = 1：不拆分查询，不使用分析模型
• max_query_plan > 1 + 无分析模型：使用搜索模型拆分查询
• max_query_plan > 1 + 有分析模型：使用分析模型拆分查询

模型配置建议：

单模型配置： "search_model_id": "Grok" 单联网搜索模型

双模型配置： "search_model_id": "Grok" 使用可以高并发渠道的联网搜索模型 "analysis_model_id": "MiniMax" 建议使用非思考模型，提升速度

### 提示词配置

**推荐方式**：通过 Web UI 配置（`http://localhost:11000`）

**配置文件方式**：

```json
{
  "system_prompt": "自定义搜索系统提示词（必须保留 {current_time} 占位符）",
  "split_prompt": "自定义查询拆分提示词"
}

详细说明请查看 提示词配置说明

工具说明

web_search - 网络搜索

输入：{"query": "搜索内容"}

多维度搜索（由 max_query_plan 控制）：

• = 1：直接返回搜索结果
• > 1：首次调用返回拆分要求，AI 需拆分成 N 个子问题并行搜索

多维度搜索示例

简单查询（max_query_plan = 1）

用户：Python 是什么
→ AI 调用：web_search("Python 是什么")
→ MCP 返回：直接返回搜索结果

复杂查询（max_query_plan = 10）

用户：春节北京到上海高铁票价
→ AI 首次调用：web_search("春节北京到上海高铁票价")
→ MCP 返回：拆分要求（提示拆成多个子问题）
→ AI 并行调用：

web_search("[SUB_QUERY] 春节北京到上海直达高铁票价")
web_search("[SUB_QUERY] 北京到上海中转方案票价对比")
web_search("[SUB_QUERY] 北京周边站点到上海买长乘短策略")

→ MCP 返回：每个子查询的搜索结果
→ AI 整合：自动整合结果，返回完整答案

性能提升：Rust 版本并发执行子查询，总耗时约 1 秒（Python 顺序执行约 3 秒）

常见问题

如何更新？

# 升级 Python 包
pip install --upgrade ai-search-mcp

# 自动检测并更新 Docker（如果使用）
ai-search-mcp-deploy

Docker 容器无法启动？

# 查看日志
docker-compose logs

# 重新构建
docker-compose down
docker-compose up -d --build

版本不一致？

# 查看 Python 包版本（MCP 服务器版本）
ai-search-mcp --version

# 查看 Docker 容器版本（HTTP 服务器版本）
curl http://localhost:11000/health

# 强制重新部署（同步版本）
ai-search-mcp-deploy --force

许可证

MIT License

链接

• GitHub
• 问题反馈