Tavily Server For All Tools

基于 Tavily 智搜官方 Python SDK 开发的联网搜索 MCP 服务，使用标准 MCP Python SDK 实现，采用 Streamable HTTP 传输协议，通过 FastAPI + uvicorn 对外提供服务。

功能

服务提供 8 个 MCP 工具，覆盖 Tavily 官方 SDK 的主要能力：

工具名	说明	底层 Tavily 接口
web_search	根据查询关键字执行联网搜索，返回标题、链接、摘要、相关性得分，并可选生成总结答案	search
web_fetch	抓取指定 URL 网页，返回其正文文本内容（markdown / text）	extract
web_crawl	从根 URL 出发按图遍历整个网站，批量抓取多个页面正文，适合系统性收集某网站内容	crawl
web_map	遍历网站结构，只发现页面 URL 不抓正文，适合先摸清站点范围	map
qna_search	针对一个具体问题直接返回一句话式答案	qna_search
search_context	返回适合直接喂给 LLM / RAG 流程的压缩检索上下文（自动做 token 限额与截断）	get_search_context
deep_research_start	提交一个深度研究任务（Tavily 自动多轮搜索 + 生成综合报告），任务异步执行，立即返回 request_id	research
deep_research_result	根据 request_id 轮询查询深度研究任务的状态与最终结果（报告正文 + 引用来源）	get_research

deep_research_start / deep_research_result 对应的研究任务在 Tavily 服务端异步执行，可能耗时数分钟，请先调用 deep_research_start 拿到 request_id，再用 deep_research_result 轮询直到 status 变为 completed（或 failed）。

目录结构

tavily-mcp-server/
├── app/
│   ├── config.py       # 环境变量配置加载（.env）
│   ├── tavily_tools.py # TavilyToolkit：封装 web_search / web_fetch
│   ├── server.py        # FastMCP 实例与工具注册
│   └── main.py          # FastAPI 应用 + uvicorn 入口，挂载 Streamable HTTP
├── client/
│   └── test_client.py   # 本地测试客户端（连接 MCP 服务并调用工具）
├── deploy/
│   ├── deploy.sh                # 一键同步 + 部署到远程服务器
│   └── tavily-mcp.service       # systemd 服务单元
├── requirements.txt
├── .env.example
└── .gitignore

环境要求

• Python 3.12（本地通过 conda 环境 llm_factory_envs 开发，远程服务器使用 llm_env）
• Tavily API Key（app.tavily.com 申请）

本地开发与测试

1. 准备环境变量

cp .env.example .env
# 编辑 .env，填入 TAVILY_API_KEY；本地测试保持 MCP_HOST=127.0.0.1

2. 安装依赖（conda 环境 llm_factory_envs）

conda activate llm_factory_envs
pip install -r requirements.txt

3. 启动 MCP 服务

python -m app.main
# 服务启动后监听 http://127.0.0.1:20260/mcp
# 健康检查: curl http://127.0.0.1:20260/health

4. 使用测试客户端验证

另开一个终端：

conda activate llm_factory_envs
python -m client.test_client --url http://127.0.0.1:20260/mcp

测试客户端会依次：连接服务 → 列出可用工具 → 调用 web_search / web_fetch / web_crawl / web_map / qna_search / search_context，并打印结果。

深度研究任务耗时较长（可能数分钟），默认不测试，如需一并验证 deep_research_start / deep_research_result：

python -m client.test_client --url http://127.0.0.1:20260/mcp --deep-research
# 也可自定义研究任务描述:
python -m client.test_client --url http://127.0.0.1:20260/mcp --deep-research "近期国产大模型有哪些重要发布"

该模式会提交任务后每 10 秒轮询一次 deep_research_result，直到状态变为 completed / failed。

部署到远程服务器

远程服务器信息：101.47.67.15，通过 SSH（已配置免密登录）部署，使用远程 conda 环境 llm_env，服务端口固定为 20260。

1. 配置远程 .env

本地 .env 中把 MCP_HOST 改为 0.0.0.0（对公网监听），MCP_PORT 保持 20260，再执行部署脚本会自动通过 scp 同步 .env（如需远程与本地使用不同的 key，可直接在远程手动维护 /opt/tavily-mcp-server/.env）。

2. 一键部署

bash deploy/deploy.sh

该脚本会：

1. rsync 项目文件到 [email protected]:/opt/tavily-mcp-server（排除 .git、__pycache__ 等）
2. 同步 .env（如本地存在）
3. 在远程 llm_env 环境中安装依赖
4. 安装/更新 systemd 服务并重启

3. 服务器防火墙 / 安全组

请确认云服务商控制台的安全组规则已放行 TCP 20260 端口（deploy.sh 不会自动修改云安全组，需要在服务商控制台手动开放）。若服务器本机启用了 firewalld/ufw，也需放行该端口，例如：

# firewalld
ssh [email protected] "firewall-cmd --permanent --add-port=20260/tcp && firewall-cmd --reload"

4. 验证远程部署

curl http://101.47.67.15:20260/health
python -m client.test_client --url http://101.47.67.15:20260/mcp

常用运维命令

ssh [email protected] "systemctl status tavily-mcp.service --no-pager"
ssh [email protected] "journalctl -u tavily-mcp.service -f"
ssh [email protected] "systemctl restart tavily-mcp.service"

MCP 客户端配置

部署完成后，可在任意支持 Streamable HTTP 的 MCP 客户端中通过以下 JSON 配置接入本服务：

{
  "mcpServers": {
    "tavily-web-search": {
      "type": "streamable_http",
      "url": "http://101.47.67.15:20260/mcp"
    }
  }
}

如需本地联调，将 url 替换为 http://127.0.0.1:20260/mcp 即可。

环境变量说明

变量名	说明	默认值
TAVILY_API_KEY	Tavily 官方 API Key（必填）	无
MCP_HOST	服务监听地址	127.0.0.1（部署到服务器改为 0.0.0.0）
MCP_PORT	服务监听端口	20260
MCP_SERVER_NAME	MCP Server 名称	tavily-web-search
MCP_STREAMABLE_PATH	Streamable HTTP 挂载路径	/mcp
MCP_STATELESS_HTTP	是否无状态 HTTP 模式	false
MCP_JSON_RESPONSE	是否强制 JSON 响应（而非 SSE 流）	false
TAVILY_REQUEST_TIMEOUT	调用 Tavily search/extract/qna/context/research 等接口的超时时间（秒）	30
TAVILY_CRAWL_TIMEOUT	调用 Tavily crawl/map 接口的超时时间（秒），站点遍历通常耗时更久	150
LOG_LEVEL	日志级别	INFO

安全说明

• .env 文件已在 .gitignore 中排除，切勿提交到 GitHub 仓库。
• 请勿在代码中硬编码任何密钥，所有敏感信息均通过环境变量注入（python-dotenv 动态加载）。
• 提交代码前请再次确认 git status 中不包含 .env 或其他包含密钥的文件。