开源 AI 网络搜索工具:OpenWebSearch MCP 全新升级,支持多引擎 + 流式响应!

开源 AI 网络搜索工具:OpenWebSearch MCP 全新升级,支持多引擎 + 流式响应!

🚀 开源 AI 联网搜索工具:Open-WebSearch MCP 全新升级,支持多引擎 + 流式响应!

💡「让你的 AI 插件真正能联网」—— 不需要 API Key,搜索结果可控、开箱即用!

大家好,我最近开源了一个 AI 插件开发工具 —— Open-WebSearch MCP。这个项目旨在解决 AI 在实际应用中无法联网联网费用高昂的问题,特别适合在 Claude、LangChain、RAG 方案中添加“实时搜索”能力。


🧠 项目亮点一览

多引擎实时搜索

  • 支持 Bing百度ZEEKLOGDuckDuckGoExaBrave(目前 linux.do 暂不支持)
  • 支持HTTP代理配置,轻松解决网络访问限制
  • 支持HTTP代理配置,轻松解决网络访问限制
  • 可配置引擎组合搜索,获取更全面的内容

流式响应(MCP协议)

  • 完美兼容 Claude 插件(MCP)协议
  • 更新为支持 streamableHttpSSE 两种方式返回搜索结果,体验丝滑流畅

文章正文抓取

  • 支持提取 ZEEKLOG 博客文章全文
  • 支持提取 Linux.do(开发中)

完全免费 & 无需 API Key

  • 不再依赖 Bing API / Google Custom Search
  • 可自托管,无额度限制,数据可控

Docker 一键部署

  • 提供 docker-compose 和镜像:ghcr.io/aas-ee/open-web-search

⚙️ 如何使用?

安装非常简单:

git clone https://github.com/Aas-ee/open-webSearch cd open-webSearch npminstallnpm run build node build/index.js 

或者直接使用 Docker 启动:

docker run -d \ --name web-search \ -p 3000:3000 \ -e ENABLE_CORS=true \ -e CORS_ORIGIN=* \ ghcr.io/aas-ee/open-web-search:latest 

配置环境变量说明(可选):

# 启用CORS (默认: false)ENABLE_CORS=true # CORS来源配置 (默认: *)CORS_ORIGIN=* # 默认搜索引擎 (可选值: bing, duckduckgo, exa, brave,默认: bing)DEFAULT_SEARCH_ENGINE=duckduckgo # 启用HTTP代理 (默认: false)USE_PROXY=true # 代理服务器URL (默认: http://127.0.0.1:10809)PROXY_URL=http://your-proxy-server:port 
配合 Claude Dev Extension、Claude Desktop、Cherry Studio 使用效果更佳!

⚙️ MCP 客户端配置指南

💻 Cherry Studio

{"mcpServers":{"web-search":{"name":"Web Search MCP","type":"streamableHttp","description":"Multi-engine web search with article fetching","isActive":true,"baseUrl":"http://localhost:3000/mcp"},"web-search-sse":{"name":"Web Search SSE","type":"sse","description":"SSE version of web search","isActive":true,"url":"http://localhost:3000/sse"}}}

🔍 Claude Dev Extension (VSCode)

{"mcpServers":{"web-search":{"transport":{"type":"streamableHttp","url":"http://localhost:3000/mcp"}},"web-search-sse":{"transport":{"type":"sse","url":"http://localhost:3000/sse"}}}}

💻 Claude Desktop

{"mcpServers":{"web-search":{"transport":{"type":"streamableHttp","url":"http://localhost:3000/mcp"}},"web-search-sse":{"transport":{"type":"sse","url":"http://localhost:3000/sse"}}}}
如果你是 Docker 部署,请把 localhost 换成实际 IP 地址

🧩 MCP 工具支持

🔍 search:多引擎搜索工具

{ query:"Claude 插件开发", limit:5, engines:["bing","ZEEKLOG"]}

✅ 返回结构化数据(标题、URL、摘要、来源)


📄 fetchZEEKLOGArticle:提取 ZEEKLOG 文章全文

{ url:"https://blog.ZEEKLOG.net/xxx/article/details/xxx"}

✅ 获取正文,支持摘要分析、RAG、训练语料等场景


🧪 fetchLinuxDoArticle:抓取 Linux.do 文章(目前不稳定)


📦 CI/CD:支持 Docker 镜像自动构建发布

如果你想 Fork 并发布自己的版本,也完全没问题:

  • 支持 GitHub Actions 自动构建并发布到:
    • GitHub Container Registry(ghcr.io)
    • 阿里云容器镜像服务(可选配置 ACR)

✅ 提供详细 CI/CD 配置文档
✅ 开发者可自由部署在内网、私有云环境下


🧱 后续计划

🛠 支持更多搜索引擎(Google、知乎、Reddit)
🛠 支持文档类内容全文抽取(如微信公众号、掘金)


⭐ 项目地址

🧩 GitHub 地址:https://github.com/Aas-ee/open-webSearch
📦 Docker 镜像:ghcr.io/aas-ee/open-web-search:latest

如果你觉得这个项目对你有帮助,请 Star 一下再走 💖,你的支持是我继续迭代的最大动力!


📣 一句话总结:

「Open-WebSearch MCP:让你的 AI 插件真正实现联网搜索,开源、免费、灵活、强大。」

Read more

HarmonyOS 6实战:视频封面智能生成与AI集成

HarmonyOS 6实战:视频封面智能生成与AI集成

在移动应用开发中,视频内容处理是一个常见但充满挑战的领域。许多开发者在实现视频封面自动生成功能时,常常面临以下困境: * 处理速度慢:长视频帧提取耗时长,用户体验差 * 封面质量参差不齐:传统算法难以识别最具代表性的关键帧 * 资源消耗过大:内存占用高,在低端设备上表现不佳 * 算法复杂度高:需要兼顾多维度评价指标 * 适配性差:不同分辨率、编码格式的视频处理方式各异 * 个性化需求难满足:无法根据视频内容特性智能推荐最佳封面 本文将深入分析这些常见问题,并提供基于HarmonyOS的完整解决方案。 一、常见问题深度分析 1.1 性能与效率的平衡难题 问题表现: * 处理2分钟以上视频时,提取时间超过5秒 * 内存占用峰值超过200MB,容易触发OOM * 在低端设备上帧率不稳定,界面卡顿明显 * 电池消耗快,发热严重 根本原因: * 传统全量帧提取策略缺乏智能化 * 解码器配置不当,硬件加速未充分利用 * 内存管理策略不合理,频繁GC导致卡顿 * 并行处理能力不足,CPU资源利用率低 1.2 关键帧识别准确率低 问题表现: * 选

开源实战——手把手教你搭建AI量化分析平台:从Docker部署到波浪理论实战

开源实战——手把手教你搭建AI量化分析平台:从Docker部署到波浪理论实战

目录 导语 一、 为什么我们需要自己的AI分析工具? 二、 核心部署实战:避坑指南与镜像加速 1.基础环境准备 2.配置 AI 大脑:蓝耘 API 3.进阶技巧:Dockerfile 镜像加速(关键步骤) 4.构建与启动 三、 核心功能深度评测:AI 如何解读波浪理论? 1.AI 股票对话分析:不只是聊天,是逻辑推演 2.模拟交易账户管理:实战演练场 3.历史回测:让数据说话 4.系统设置界面 四、 打造全天候监控体系:通知渠道配置 五、 总结 导语 在量化交易日益普及的今天,散户最缺的往往不是数据,而是对数据的“解读能力”。面对满屏的K线图,

AI+测试工具《Testim》使用说明

Testim 使用说明 之前不是写AI+测试的探索么,那我再来写一下AI+测试的测试工具《Testim》的使用说明 版本: 基础入门版 日期: 2025年7月31日 目标用户: 测试工程师、开发人员、QA负责人 1. Testim 是什么? Testim 是一个利用人工智能(AI)和机器学习(ML)来加速创建、执行和维护 Web 应用程序 端到端(E2E)和 UI 功能测试的自动化测试平台。它的核心优势在于: * 快速创建测试: 通过智能录制用户操作。 * 强大的稳定性: AI 驱动的元素定位器能有效应对 UI 变化,减少测试“脆性”。 * 易于维护: 直观的界面和智能修复建议简化测试更新。 * 支持无代码和代码: 适合不同技术水平的用户(可视化编辑器和 JavaScript 代码)

从零上手:用AI智能体实现微信自动回复功能全攻略

从零上手:用AI智能体实现微信自动回复功能全攻略

在日常工作与生活中,微信早已成为核心沟通工具,但频繁的重复咨询、夜间消息轰炸常常让人分身乏术。借助AI智能体实现微信自动回复,既能实现7×24小时不间断响应,又能精准解答标准化问题,大幅解放人力。本文将针对不同技术基础的用户,提供两种主流实现方案,从前期准备到落地优化全流程拆解,让你快速搭建专属微信智能回复系统。 一、核心逻辑与适用场景 微信AI自动回复的核心逻辑是:通过工具或接口捕获微信消息,将消息传递给AI智能体,智能体根据预设规则与知识库生成回复,再通过工具或接口将回复发送至微信。整个流程无需人工干预,实现全自动化闭环。 适用场景覆盖个人与企业需求:① 个人:自动回复工作时段外的咨询、设置个性化问候语;② 企业客服:解答产品价格、售后政策等重复问题,降低人工客服压力;③ 社群运营:监控群内关键词(如“活动报名”“产品咨询”),自动触发对应回复或收集信息;④ 公众号运营:对接历史文章知识库,实现用户精准答疑。 二、方案一:零代码实现(推荐非技术人群,20分钟上手) 该方案通过现成工具(如MsgHelper、ChatWave)与成熟AI智能体平台(如Coze、腾讯元