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

基于web艺术展览网站设计与实现17261-计算机原创毕设选题推荐(免费领源码)

基于web艺术展览网站设计与实现17261-计算机原创毕设选题推荐(免费领源码)

摘 要   随着互联网技术的不断发展,艺术领域也开始逐渐融入到网络中,艺术展览网站作为一个线上艺术展示平台,能够为艺术家和艺术爱好者提供一个交流、展示的平台。因此,设计一个基于Springboot的艺术展览网站对于推动艺术行业的发展和促进文化交流有着重要的意义。 该系统充分利用了Java语言的跨平台特性和强大的生态系统,结合Spring Boot框架的优势实现了高效的开发和灵活的配置。该艺术展览网站为用户提供了注册登录、展览发布、展品信息浏览、评论互动、个人中心等功能,同时管理员具备对轮播图、网站公告、用户管理、资讯管理、展览发布、展品信息、展品类别等进行管理的权限。本课题的开发不仅仅是一项技术实践,更是对艺术与科技结合的探索。通过结合Springboot框架的强大功能和艺术展览网站的实际需求,不仅提升了网站的性能和用户体验,也为艺术与科技融合开辟了新的可能性。此外,艺术展览网站的开发还促进了艺术作品的传播和推广,为艺术家和艺术机构提供了一个全新的展示平台,对于艺术行业的发展和文化交流起到了积极的推动作用。 关键词:艺术展览网站;Java语言;Spring Boot框架;MyS

基于aiortc实现WebRTC与Django的实时通信:从搭建到优化

快速体验 在开始今天关于 基于aiortc实现WebRTC与Django的实时通信:从搭建到优化 的探讨之前,我想先分享一个最近让我觉得很有意思的全栈技术挑战。 我们常说 AI 是未来,但作为开发者,如何将大模型(LLM)真正落地为一个低延迟、可交互的实时系统,而不仅仅是调个 API? 这里有一个非常硬核的动手实验:基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。 从0到1构建生产级别应用,脱离Demo,点击打开 从0打造个人豆包实时通话AI动手实验 基于aiortc实现WebRTC与Django的实时通信:从搭建到优化 背景与痛点 传统Django应用在处理实时通信时,通常依赖轮询或长轮询技术,这种方式存在明显的延迟和资源浪费问题。想象一下,每次用户发送消息或更新状态,客户端都需要不断向服务器发起请求,不仅效率低下,还增加了服务器负担。 WebRTC技术则完

Qwen3-VL-WEBUI培训系统:操作视频智能评分部署案例

Qwen3-VL-WEBUI培训系统:操作视频智能评分部署案例 1. 引言:为何需要操作视频智能评分? 在企业培训、技能认证和远程教育场景中,传统的人工评分方式存在效率低、主观性强、成本高等问题。尤其在涉及复杂操作流程(如设备维修、软件使用、医疗操作)的评估中,人工难以对动作顺序、步骤完整性、操作规范性进行精准量化。 随着多模态大模型的发展,视觉-语言模型(VLM) 已具备理解图像、视频与自然语言指令之间深层语义关系的能力。阿里云最新发布的 Qwen3-VL-WEBUI 系统,基于开源模型 Qwen3-VL-4B-Instruct,为构建自动化、智能化的操作视频评分系统提供了强大支撑。 本文将结合实际部署案例,介绍如何利用 Qwen3-VL-WEBUI 实现“操作视频智能评分”系统的快速落地,并分析其技术优势与工程实践要点。 2. Qwen3-VL-WEBUI 核心能力解析 2.1 模型背景与架构升级 Qwen3-VL 是 Qwen 系列中迄今最强大的视觉-语言模型,专为复杂多模态任务设计。其核心版本 Qwen3-VL-4B-Instruct