谷歌搜索MCP服务器

一个全面的模型上下文协议（MCP）服务器，提供高级的谷歌自定义搜索功能、网络内容提取、搜索分析和专门的研究工具。该服务器将谷歌的搜索功能转化为强大的人工智能工具，可以与任何兼容MCP的人工智能客户端集成。

- 1.谷歌搜索(google_search) - 2.提取内容(extract_content) - 3.搜索分析(search_analytics) - 4.多站点搜索(multi_site_search) - 5.新闻监视器(news_monitor) - 6.学术搜索(academic_search) - 7.内容摘要生成器(content_summarizer) - 8.事实核查员(fact_checker) - 9.研究助理(research_assistant) - 10.搜索趋势(search_trends)

可用资源
发展

- 开发命令 - 项目结构 - 技术细节 - 错误处理 - 性能特点

许可证
贡献
支持
关于

特性

高级谷歌搜索：使用广泛的过滤选项、文件类型限制和地理定位进行网络搜索
内容提取：通过自动情感分析从网页中提取主要内容
搜索分析：通过全面的见解和关键字提取分析多个查询的搜索趋势
多站点搜索：使用详细统计数据同时搜索多个网站
新闻监测：通过主题过滤和日期限制监控新闻来源
学术研究：查找学术论文和研究文件的专用工具
内容概述：通过情感分析和见解对多个网址进行智能摘要
事实核查：基于循证结果的自动事实核查
搜索趋势：实时搜索兴趣分析和趋势预测
缓存资源：8个专门的资源，提供缓存的搜索结果、分析和研究数据
MCP兼容：与任何兼容MCP的AI客户端（Claude、Cursor等）无缝集成
稳健的错误处理：针对API故障、速率限制和无效参数的全面错误处理
智能高速缓存：基于TTL的缓存系统优化性能和API使用
TypeScript：所有参数均已完全键入Zod模式验证

先决条件

Node.js 18+
Google自定义搜索API密钥
谷歌自定义搜索引擎ID

安装

克隆此存储库：

git clone https://github.com/1999AZZAR/mcp-server-google-search.git
cd mcp-server-google-search

安装依赖项：

npm install

构建项目：

npm run build

验证安装：

# Test that the server starts correctly
echo '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}' | GOOGLE_API_KEY=test GOOGLE_CSE_ID=test node dist/index.js

配置

环境变量

创建 .env 项目根目录中的文件，包含以下变量：

GOOGLE_API_KEY=your_google_api_key_here
GOOGLE_CSE_ID=your_custom_search_engine_id_here

获取Google API凭据

步骤1:谷歌云控制台设置

转到谷歌云控制台
创建新项目或选择现有项目
启用API库中的“自定义搜索API”
转到“凭据”→ “创建凭据”→ “API密钥”
复制API密钥

步骤2：自定义搜索引擎设置

首选自定义搜索引擎
点击“添加”以创建新的搜索引擎
输入要搜索的网站（或整个网站留空）
为您的搜索引擎命名
点击“创建”
转到“设置”→ “基础知识”并复制您的“搜索引擎ID”

步骤3：配置搜索引擎（可选）

搜索整个网络：将“要搜索的网站”留空
搜索特定网站：添加域，如 github.com, stackoverflow.com
高级设置：配置语言、地区和其他首选项

安全最佳实践

永远不要承诺你的 .env 文件到版本控制
在生产中使用环境变量
考虑将Google Cloud Secret Manager用于生产部署
如果可能，将API密钥限制为特定的IP地址

用法

作为MCP服务器

用于游标IDE

将此服务器添加到您的Cursor MCP配置中(~/.cursor/mcp.json):

{
  "mcpServers": {
    "google-search-mcp": {
      "command": "node",
      "args": ["/path/to/mcp-server-google-search/dist/index.js"],
      "env": {
        "GOOGLE_API_KEY": "your_api_key",
        "GOOGLE_CSE_ID": "your_cse_id"
      }
    }
  }
}

适用于克劳德桌面

将此服务器添加到您的Claude Desktop配置中(claude_desktop_config.json):

{
  "mcpServers": {
    "google-search-mcp": {
      "command": "node",
      "args": ["/path/to/mcp-server-google-search/dist/index.js"],
      "env": {
        "GOOGLE_API_KEY": "your_api_key",
        "GOOGLE_CSE_ID": "your_cse_id"
      }
    }
  }
}

对于其他MCP客户端

服务器遵循标准MCP协议，应与任何兼容MCP的客户端一起工作。有关配置详细信息，请参阅客户的文档。

测试服务器

您可以使用JSON-RPC命令直接测试服务器：

# List all available tools
echo '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}' | GOOGLE_API_KEY=your_key GOOGLE_CSE_ID=your_id node dist/index.js

# Test a search
echo '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"google_search","arguments":{"q":"test search","num":2}}}' | GOOGLE_API_KEY=your_key GOOGLE_CSE_ID=your_id node dist/index.js

可用工具

此MCP服务器提供 10个强大的工具 用于全面搜索、研究、事实验证、趋势分析和高级研究协助：

1.谷歌搜索(`google_search`)

使用广泛的过滤选项和地理定位进行高级网络搜索。

参数：

q （必填）：搜索查询字符串
fileType （可选）：文件类型过滤器-“pdf”、“doc”、“docx”、“ppt”、“pptx”、“xls”、“xlsx”、“rtf”
siteSearch （可选）：在特定网站内搜索（例如“example.com”）
dateRestrict （可选）：日期限制-“d1”、“w1”、“m1”、“y1”、“d7”、“w2”、“m2”、“y2”、“m6”、“y”
safe （可选）：安全搜索级别-“活动”、“关闭”
exactTerms （可选）：必须完全按照指定显示的术语
excludeTerms （可选）：要从搜索结果中排除的术语
sort （可选）：排序顺序-“日期”
gl （可选）：地理位置的国家代码（例如，“us”、“uk”）
hl （可选）：接口的语言代码（例如“en”、“es”）
num （可选）：要返回的结果数（1-10）
start （可选）：结果的起始索引（从1开始）

使用案例：

具有高级过滤功能的常规网络搜索
查找特定文件类型（PDF、文档）
在特定网站内搜索
对最近内容的限时搜索

例子：

{
  "name": "google_search",
  "arguments": {
    "q": "artificial intelligence",
    "num": 5,
    "fileType": "pdf",
    "dateRestrict": "m1"
  }
}

响应格式：

{
  "searchInfo": {
    "totalResults": "8420000",
    "searchTime": 0.626612,
    "formattedSearchTime": "0.63"
  },
  "items": [
    {
      "title": "Article Title",
      "link": "https://example.com/article",
      "snippet": "Article preview...",
      "displayLink": "example.com",
      "formattedUrl": "https://example.com/article"
    }
  ]
}

2.提取内容(`extract_content`)

从网页中提取主要内容，并使用高级文本处理进行自动情感分析。

参数：

url （必填）：从中提取内容的网页的URL

使用案例：

总结文章和博客文章
分析新闻文章或评论的情绪
从网页中提取干净的文本
用于研究目的的内容分析

例子：

{
  "name": "extract_content",
  "arguments": {
    "url": "https://example.com/article"
  }
}

响应格式：

{
  "url": "https://example.com/article",
  "title": "Article Title",
  "content": "Extracted main content...",
  "wordCount": 1250,
  "sentiment": {
    "score": 0.8,
    "comparative": 0.15,
    "positive": 0.75,
    "negative": 0.25,
    "neutral": 0.0
  },
  "summary": "Brief summary of the content..."
}

3.搜索分析(`search_analytics`)

使用全面的见解、关键字提取和性能指标分析多个查询的搜索趋势。

参数：

queries （必填）：要分析的搜索查询数组（1-5个查询）
timeRange （可选）：趋势分析的时间范围-“周”、“月”、“年”
maxResults （可选）：每次查询的最大结果数（1-5）

使用案例：

市场调研和趋势分析
SEO关键词研究
竞品分析
内容战略规划
品牌监控

例子：

{
  "name": "search_analytics",
  "arguments": {
    "queries": ["artificial intelligence", "machine learning", "deep learning"],
    "timeRange": "month",
    "maxResults": 3
  }
}

响应格式：

{
  "queries": ["artificial intelligence", "machine learning", "deep learning"],
  "timeRange": "month",
  "results": [
    {
      "query": "artificial intelligence",
      "resultCount": 1600000000,
      "items": [...]
    }
  ],
  "summary": {
    "totalResults": 7060000000,
    "averageResults": 2353333333.33,
    "topPerformingQuery": "deep learning",
    "commonKeywords": ["learning", "artificial", "intelligence", "machine", "deep"]
  }
}

4.多站点搜索(`multi_site_search`)

通过详细的统计数据和全面的结果聚合同时搜索多个特定网站。

参数：

query （必填）：搜索查询
sites （必填）：要搜索的网站数组（1-5个网站）
maxResults （可选）：每个站点的最大结果（1-5）
fileType （可选）：要搜索的文件类型

使用案例：

跨平台研究（GitHub、Stack Overflow、Medium）
跨多个站点的竞争分析
在特定平台上查找资源
从可信来源聚合信息

例子：

{
  "name": "multi_site_search",
  "arguments": {
    "query": "react tutorial",
    "sites": ["github.com", "stackoverflow.com", "dev.to"],
    "maxResults": 3
  }
}

响应格式：

{
  "query": "react tutorial",
  "sites": ["github.com", "stackoverflow.com", "dev.to"],
  "results": [
    {
      "site": "github.com",
      "resultCount": 2,
      "totalAvailable": 19800,
      "items": [...]
    }
  ],
  "summary": {
    "totalResults": 6,
    "sitesSearched": 3,
    "successfulSearches": 3
  }
}

5.新闻监视器(`news_monitor`)

通过高级过滤、源定位和实时新闻情报的日期限制来监控特定主题的新闻源。

参数：

topic （必填）：要监控的主题
sources （可选）：要监视的新闻源数组（例如\[“bbc.com”、“cnn.com”、“reuters.com”\]）
language （可选）：语言代码（例如“en”、“es”）
country （可选）：国家代码（例如“us”、“uk”）
maxResults （可选）：返回的最大结果（1-10）
dateRestrict （可选）：新闻的日期限制-“d1”、“d7”、“m1”、“m6”、“y1”

使用案例：

实时新闻监控
品牌和声誉管理
危机沟通监控
行业趋势追踪
竞争情报

例子：

{
  "name": "news_monitor",
  "arguments": {
    "topic": "artificial intelligence breakthrough",
    "sources": ["bbc.com", "cnn.com", "reuters.com"],
    "dateRestrict": "d7",
    "maxResults": 5
  }
}

响应格式：

{
  "topic": "artificial intelligence breakthrough",
  "sources": ["bbc.com", "cnn.com", "reuters.com"],
  "language": "en",
  "country": "us",
  "dateRestrict": "d7",
  "results": [
    {
      "source": "bbc.com",
      "articles": [...]
    }
  ],
  "summary": {
    "totalArticles": 15,
    "sourcesFound": 3,
    "dateRange": "d7"
  }
}

6.学术搜索(`academic_search`)

使用PDF过滤和出版日期限制从专业学术来源搜索学术论文和研究文档。

参数：

query （必填）：研究查询
fileType （可选）：文件类型（仅限PDF）-“PDF”
dateRange （可选）：发布日期范围-“d1”、“d7”、“m1”、“m6”、“y1”、“y2”
sites （可选）：要搜索的学术网站（默认：\[“arxiv.org”，“scholar.google.com”，“researchgate.net”\]）
maxResults （可选）：返回的最大结果（1-10）

使用案例：

学术研究和文献综述
查找最近的研究论文
博士和论文研究
科学文献分析
研究趋势监测

例子：

{
  "name": "academic_search",
  "arguments": {
    "query": "machine learning algorithms neural networks",
    "fileType": "pdf",
    "dateRange": "y1",
    "sites": ["arxiv.org", "scholar.google.com"],
    "maxResults": 5
  }
}

响应格式：

{
  "query": "machine learning algorithms neural networks",
  "fileType": "pdf",
  "dateRange": "y1",
  "sites": ["arxiv.org", "scholar.google.com"],
  "results": [
    {
      "site": "arxiv.org",
      "paperCount": 3,
      "totalAvailable": 18800,
      "papers": [
        {
          "title": "A Digital Machine Learning Algorithm Simulating Spiking Neural Networks",
          "link": "https://arxiv.org/pdf/2503.17111",
          "snippet": "During last several years, our research team worked on development of a spiking neural network...",
          "mime": "application/pdf",
          "fileFormat": "PDF/Adobe Acrobat"
        }
      ]
    }
  ],
  "summary": {
    "totalPapers": 3,
    "sitesSearched": 2,
    "successfulSearches": 2,
    "dateRange": "y1"
  }
}

7.内容摘要生成器(`content_summarizer`)

通过智能摘要、情感分析和全面见解从多个URL中提取和总结内容。

参数：

urls （必填）：要汇总的URL数组（1-10个URL）
maxLength （可选）：每个URL的摘要最大长度（50-500，默认值：200）
includeSentiment （可选）：包括每个URL的情感分析（默认值：true）
focusAreas （可选）：总结中要关注的具体领域（例如，\[“关键点”、“结论”、“数据”\]）
generateOverallSummary （可选）：生成一个包含所有URL的总体摘要（默认值：true）

使用案例：

跨多个来源的研究总结
内容分析与比较
新闻聚合与分析
学术论文综述
竞争情报收集
内容策划和见解

例子：

{
  "name": "content_summarizer",
  "arguments": {
    "urls": [
      "https://example.com/article1",
      "https://example.com/article2",
      "https://example.com/article3"
    ],
    "maxLength": 150,
    "includeSentiment": true,
    "focusAreas": ["key insights", "conclusions", "data"],
    "generateOverallSummary": true
  }
}

响应格式：

{
  "urls": ["https://example.com/article1", "https://example.com/article2"],
  "maxLength": 150,
  "includeSentiment": true,
  "focusAreas": ["key insights", "conclusions"],
  "generateOverallSummary": true,
  "summaries": [
    {
      "url": "https://example.com/article1",
      "title": "Article Title",
      "summary": "Key insights from the article...",
      "wordCount": 1250,
      "sentiment": {
        "score": 0.8,
        "comparative": 0.15,
        "positive": ["excellent", "innovative"],
        "negative": ["challenging"]
      },
      "extractionTime": "2024-01-15T10:30:00.000Z"
    }
  ],
  "overallSummary": "Combined insights from all articles...",
  "statistics": {
    "totalUrls": 2,
    "successfulExtractions": 2,
    "failedExtractions": 0,
    "averageWordCount": 1250,
    "sentimentDistribution": {
      "positive": 1,
      "negative": 0,
      "neutral": 1
    }
  }
}

8.事实核查员(`fact_checker`)

通过可信度分析和证据提取搜索多个权威来源来验证索赔。

参数：

claim （必填）：需核实的索赔或声明（至少10个字符）
sources （可选）：要检查的特定权威来源（例如，\[“wikipedia.org”，“bbc.com”，“reuters.com”\]）
confidenceThreshold （可选）：验证的最低置信水平（0.0-1.0，默认值：0.7）
timeframe （可选）：搜索结果的时间范围-“d1”、“d7”、“m1”、“m6”、“y1”、“y2”（默认值：“y1”）
maxResults （可选）：每个源的最大结果（1-5，默认值：3）
includeEvidence （可选）：包括提取的证据片段（默认值：true）

默认来源：

维基百科、bbc.com、路透社、ap.org
factcheck.org、snopes.com、politifact.com
scholar.coogle.com、pubmed.ncbi.nlm.nih.gov、nature.com

使用案例：

事实核查和揭穿错误信息
跨多个来源的研究验证
新闻验证和可信度评估
学术索赔核实
公开声明事实核查
科学索赔验证

例子：

{
  "name": "fact_checker",
  "arguments": {
    "claim": "The Earth is approximately 4.5 billion years old",
    "sources": ["wikipedia.org", "science.org", "nature.com"],
    "confidenceThreshold": 0.8,
    "timeframe": "y1",
    "maxResults": 2,
    "includeEvidence": true
  }
}

响应格式：

{
  "claim": "The Earth is approximately 4.5 billion years old",
  "sourcesToCheck": ["wikipedia.org", "science.org", "nature.com"],
  "confidenceThreshold": 0.8,
  "timeframe": "y1",
  "maxResults": 2,
  "includeEvidence": true,
  "verification": {
    "status": "verified",
    "confidence": 0.85,
    "evidenceCount": 4,
    "supportingSources": ["wikipedia.org", "science.org"],
    "disputingSources": [],
    "neutralSources": ["nature.com"]
  },
  "sources": [
    {
      "source": "wikipedia.org",
      "resultCount": 2,
      "totalAvailable": "3700",
      "results": [
        {
          "title": "Age of Earth - Wikipedia",
          "link": "https://en.wikipedia.org/wiki/Age_of_Earth",
          "snippet": "The age of Earth is estimated to be 4.54 ± 0.05 billion years...",
          "displayLink": "en.wikipedia.org",
          "relevanceScore": 0.8
        }
      ],
      "credibilityScore": 0.8
    }
  ],
  "evidence": [
    {
      "source": "wikipedia.org",
      "url": "https://en.wikipedia.org/wiki/Age_of_Earth",
      "title": "Age of Earth - Wikipedia",
      "evidence": "The age of Earth is estimated to be 4.54 ± 0.05 billion years. This age represents the final stages of Earth's accretion and planetary differentiation.",
      "relevanceScore": 0.8,
      "sentiment": {
        "score": 0,
        "comparative": 0
      }
    }
  ],
  "statistics": {
    "totalSourcesChecked": 3,
    "successfulSearches": 3,
    "failedSearches": 0,
    "totalResults": 6,
    "averageRelevanceScore": 0.75
  }
}

验证状态：

verified：这一说法得到了具有高度信心的可靠消息来源的支持
disputed：这一说法与可靠消息来源相矛盾
unverified：证据不足或信息相互矛盾
unknown：未找到相关信息

9.研究助理(`research_assistant`)

10.搜索趋势(`search_trends`)

通过预测性见解和新兴主题发现，跟踪和分析搜索兴趣随时间的变化趋势。该工具通过将当前搜索数据与历史模式相结合，提供全面的趋势分析，以识别新兴主题并预测未来的兴趣水平。

参数：

topics （必填）：跟踪趋势的主题数组（1-5个主题）
timeframe （可选）：分析时间段（'1M'、'3M'、'6M'、'1Y'、'2Y'）-默认为'6M'
region （可选）：用于趋势分析的地理区域（国家代码如“US”、“GB”、“CA”）-默认为“US”
category （可选）：用于更有针对性的趋势分析的类别过滤器（“全部”、“商业”、“娱乐”、“健康”、“政治”、“科学”、“体育”、“技术”）-默认为“全部”
includePredictions （可选）：包括趋势预测和预测-默认为true
relatedTopics （可选）：发现并包含相关的趋势主题-默认为true

使用案例：

市场调研和趋势分析
内容策略和主题规划
竞争分析和市场情报
新兴技术跟踪
品牌监测和声誉管理
季节趋势分析
预测性内容规划

例子：

{
  "name": "search_trends",
  "arguments": {
    "topics": ["artificial intelligence", "machine learning"],
    "timeframe": "6M",
    "region": "US",
    "category": "technology",
    "includePredictions": true,
    "relatedTopics": true
  }
}

响应格式：

{
  "topics": ["artificial intelligence", "machine learning"],
  "timeframe": "6M",
  "region": "US",
  "category": "technology",
  "includePredictions": true,
  "relatedTopics": true,
  "trends": [
    {
      "topic": "artificial intelligence",
      "currentInterest": 245000000,
      "recentActivity": 3,
      "trendDirection": "increasing",
      "changePercent": 12.45,
      "peakPeriod": "Month 5",
      "data": [65, 68, 72, 75, 78, 80, 82, 85, 87, 89, 91, 93, 94, 95, 96, 97, 98, 98, 99, 99, 100, 99, 98, 97]
    }
  ],
  "relatedTopics": [
    {
      "topic": "artificial intelligence",
      "relatedTopics": ["neural", "networks", "deep", "learning", "automation"]
    }
  ],
  "predictions": [
    {
      "topic": "artificial intelligence",
      "prediction": "artificial intelligence shows increasing interest. Expected to continue growing by 18.45% in the next period.",
      "confidence": 0.75,
      "timeframe": "next period",
      "factors": [
        "Current market trends",
        "Seasonal patterns",
        "Related topic performance",
        "Search volume patterns"
      ]
    }
  ],
  "timestamp": "2025-11-02T17:04:02.839Z"
}

9.研究助理(`research_assistant`)

具有多步骤工作流程、源综合和结构化报告生成功能的综合研究助理。

参数：

researchTopic （必填）：要调查的主要研究主题或问题（至少10个字符）
researchType （可选）：要进行的研究类型-“学术”、“新闻”、“事实”、“综合”（默认：“综合”）
depth （可选）：研究深度级别-“快速”、“标准”、“深度”（默认：“标准”）
sources （可选）：研究中包含的具体来源（最多15个来源）
excludeSources （可选）：从研究中排除的来源（最多10个来源）
timeframe （可选）：研究结果的时间范围-“d1”、“d7”、“m1”、“m6”、“y1”、“y2”（默认值：“y1”）
maxSourcesPerType （可选）：每种源类型的最大源（2-8，默认值：5）
includeCitations （可选）：包括详细的引用和来源跟踪（默认值：true）
generateReport （可选）：生成结构化研究报告（默认值：true）
focusAreas （可选）：重点研究的具体领域（例如，\[“方法论”、“研究结果”、“影响”\]）

研究类型和来源类别：

学术的：学术期刊、教育机构、研究资料库
新闻：新闻来源、事实核查人员、国际媒体
事实的：政府来源、科学机构、参考资料
全面的：用于深入研究的所有源类型

使用案例：

学术研究和文献综述
市场调研和竞争分析
政策研究和政府分析
科学研究和证据综合
商业智能和战略规划
新闻分析和媒体监控
事实核查和验证工作流程

例子：

{
  "name": "research_assistant",
  "arguments": {
    "researchTopic": "artificial intelligence impact on healthcare",
    "researchType": "comprehensive",
    "depth": "standard",
    "maxSourcesPerType": 3,
    "focusAreas": ["methodology", "findings", "implications"],
    "includeCitations": true,
    "generateReport": true,
    "timeframe": "y1"
  }
}

响应格式：

{
  "researchTopic": "artificial intelligence impact on healthcare",
  "researchType": "comprehensive",
  "depth": "standard",
  "timeframe": "y1",
  "maxSourcesPerType": 3,
  "includeCitations": true,
  "generateReport": true,
  "focusAreas": ["methodology", "findings", "implications"],
  "researchWorkflow": {
    "phase": "completed",
    "stepsCompleted": 5,
    "totalSteps": 5,
    "currentStep": "Research completed"
  },
  "sourceCategories": ["Academic", "News", "Government", "Reference", "Specialized"],
  "findings": [
    {
      "source": "nature.com",
      "category": "Academic",
      "url": "https://example.com/article",
      "title": "AI in Healthcare Research",
      "content": "Full extracted content...",
      "wordCount": 1250,
      "sentiment": {
        "score": 0.8,
        "comparative": 0.15
      },
      "relevanceScore": 0.9,
      "keyInsights": ["AI shows promise in diagnostic accuracy", "Implementation challenges remain"],
      "focusAnalysis": {
        "methodology": ["Randomized controlled trials", "Machine learning algorithms"],
        "findings": ["Improved diagnostic accuracy by 15%", "Reduced false positives"],
        "implications": ["Potential for widespread adoption", "Need for regulatory framework"]
      },
      "contentQualityScore": 0.85,
      "extractionTime": "2024-01-15T10:30:00.000Z"
    }
  ],
  "sources": [
    {
      "source": "nature.com",
      "category": "Academic",
      "resultCount": 3,
      "totalAvailable": "150",
      "results": [
        {
          "title": "AI in Healthcare Research",
          "link": "https://example.com/article",
          "snippet": "Artificial intelligence is transforming healthcare...",
          "displayLink": "nature.com",
          "relevanceScore": 0.9
        }
      ],
      "credibilityScore": 0.9
    }
  ],
  "citations": [
    {
      "title": "AI in Healthcare Research",
      "url": "https://example.com/article",
      "source": "nature.com",
      "category": "Academic",
      "credibilityScore": 0.9,
      "relevanceScore": 0.9,
      "accessedDate": "2024-01-15T10:30:00.000Z"
    }
  ],
  "synthesis": {
    "keyFindings": [
      "AI demonstrates significant potential in healthcare diagnostics",
      "Implementation faces regulatory and technical challenges",
      "Patient outcomes show measurable improvement with AI assistance"
    ],
    "conflictingInformation": [],
    "consensusPoints": [
      "AI technology shows promise in healthcare applications",
      "Regulatory frameworks need development for safe implementation"
    ],
    "gapsInKnowledge": [
      "Long-term impact studies are limited",
      "Cost-benefit analysis needs more research"
    ],
    "confidenceLevel": 0.85
  },
  "report": {
    "title": "Research Report: artificial intelligence impact on healthcare",
    "executiveSummary": "This research analyzed 15 sources across 5 categories...",
    "methodology": "Research methodology involved systematic search...",
    "findings": "Key findings from the research:\n1. AI shows promise...",
    "synthesis": "Synthesis of findings reveals 2 consensus points...",
    "recommendations": "High confidence in findings. Recommendations can be made...",
    "limitations": "Research limitations include: limited to publicly available sources...",
    "citations": [...],
    "metadata": {
      "generatedAt": "2024-01-15T10:30:00.000Z",
      "researchType": "comprehensive",
      "depth": "standard",
      "totalSources": 15,
      "confidenceLevel": 0.85,
      "qualityScore": 0.82
    }
  },
  "statistics": {
    "totalSourcesSearched": 15,
    "successfulSearches": 14,
    "failedSearches": 1,
    "totalResults": 45,
    "averageCredibilityScore": 0.87,
    "researchQualityScore": 0.82
  }
}

研究工作流程阶段：

多源研究：对分类来源进行系统搜索
内容分析：提取、情绪分析和重点领域分析
合成：交叉参考分析和共识识别
引文管理：自动生成和跟踪引文
报告生成：带执行摘要的结构化研究报告

质量指标：

研究质量评分：基于来源多样性、可信度和调查结果质量的综合评分
置信水平：基于来源协议对研究结果的总体信心
来源多样性：包括的不同来源类别的数量
内容质量：评估提取内容的相关性和深度

可用资源

谷歌搜索MCP服务器提供 8专业资源 通过智能缓存提供缓存的搜索结果、趋势分析和研究数据，以实现最佳性能：

`google://search/cache/{query}`

返回包含元数据和时间戳的查询的缓存谷歌搜索结果。

资源详细信息：

目的：在不调用API的情况下访问最近缓存的搜索结果
好处：更快的响应时间，减少了API的使用，最近搜索的离线功能
缓存TTL：5分钟-平衡新鲜度和性能
用例：经常访问的搜索词、监控查询、开发测试

响应格式：

{
  "query": "artificial intelligence",
  "results": [
    {
      "title": "Artificial Intelligence - Wikipedia",
      "link": "https://en.wikipedia.org/wiki/Artificial_intelligence",
      "snippet": "Artificial intelligence (AI) is intelligence demonstrated by machines..."
    }
  ],
  "searchTime": "0.25",
  "totalResults": "about 2,450,000,000",
  "cached": false,
  "timestamp": "2025-11-02T17:09:14.866Z"
}

`google://search/trends/{topic}`

提供随时间推移的主题搜索兴趣趋势和预测。

资源详细信息：

目的：分析搜索兴趣模式并预测趋势
好处：市场调研、内容策略、趋势识别
缓存TTL：5分钟-保持趋势数据合理更新
用例：SEO分析、内容策划、市场调研

响应格式：

{
  "topic": "machine learning",
  "trends": {
    "interest": [25, 30, 45, 60, 55, 70],
    "timeframe": "6M",
    "region": "US",
    "predictions": [75, 80, 85]
  },
  "cached": false,
  "timestamp": "2025-11-02T17:09:14.866Z"
}

`google://search/analytics/{query}`

提供全面的搜索分析，包括多个结果和模式。

资源详细信息：

目的：对搜索结果和模式进行深入分析
好处：全面的搜索智能和模式识别
缓存TTL：5分钟-确保分析数据保持相关性
用例：竞争分析、关键词研究、内容优化

响应格式：

{
  "query": "renewable energy",
  "analytics": {
    "totalResults": 1250000,
    "topDomains": ["wikipedia.org", "energy.gov", "iea.org"],
    "contentTypes": ["educational": 45, "commercial": 30, "news": 25],
    "sentiment": {"positive": 0.6, "neutral": 0.3, "negative": 0.1}
  },
  "cached": false,
  "timestamp": "2025-11-02T17:09:14.866Z"
}

`google://content/extracted/{url}`

为缓存的提取内容提供来自网页的情感分析。

资源详细信息：

目的：无需重新提取即可访问已处理的web内容
好处：更快的内容分析，减少处理开销
缓存TTL：5分钟-平衡内容新鲜度和性能
用例：内容监控、情感分析、数据提取

响应格式：

{
  "url": "https://example.com/article",
  "content": {
    "title": "Article Title",
    "text": "Full article content...",
    "wordCount": 1250,
    "sentiment": {
      "score": 0.3,
      "comparative": 0.024,
      "tokens": ["article", "content", "analysis"],
      "words": ["good", "excellent"],
      "positive": ["good", "excellent"],
      "negative": []
    },
    "readability": 72.5
  },
  "cached": false,
  "timestamp": "2025-11-02T17:09:14.866Z"
}

`google://news/recent/{topic}`

提供最近的新闻文章，并对主题进行可信度分析。

资源详细信息：

目的：通过质量过滤访问最新新闻
好处：具有可信度评分的时间敏感信息
缓存TTL：2分钟-确保新闻保持最新
用例：新闻监测、危机管理、时事跟踪

响应格式：

{
  "topic": "climate change",
  "news": {
    "articles": [
      {
        "title": "New Climate Report Released",
        "source": "reuters.com",
        "credibility": 0.95,
        "published": "2025-11-02T15:30:00Z",
        "summary": "Latest IPCC report details..."
      }
    ],
    "totalArticles": 15,
    "avgCredibility": 0.87
  },
  "cached": false,
  "timestamp": "2025-11-02T17:09:14.866Z"
}

`google://academic/results/{query}`

提供缓存的学术论文和研究文档。

资源详细信息：

目的：无需重复搜索即可访问学术研究
好处：加快学术研究，减少API用于研究查询的使用
缓存TTL：30分钟-学术内容更改频率较低
用例：文献综述、研究规划、学术写作

响应格式：

{
  "query": "quantum computing",
  "results": {
    "papers": [
      {
        "title": "Advances in Quantum Computing",
        "authors": ["Dr. Jane Smith", "Dr. John Doe"],
        "journal": "Nature Physics",
        "year": 2025,
        "citations": 45,
        "doi": "10.1038/s41567-025-01234-5"
      }
    ],
    "totalPapers": 1250,
    "disciplines": ["Physics", "Computer Science", "Mathematics"]
  },
  "cached": false,
  "timestamp": "2025-11-02T17:09:14.866Z"
}

`google://research/summary/{topic}`

提供全面的研究总结，包括来源和分析。

资源详细信息：

目的：无需再处理即可获得完整的研究综述
好处：深入的研究见解和全面的分析
缓存TTL：1小时-研究总结在较长时间内保持稳定
用例：执行摘要、研究报告、战略规划

响应格式：

{
  "topic": "blockchain technology",
  "summary": {
    "executiveSummary": "Blockchain technology continues to evolve...",
    "keyFindings": [
      "Decentralized consensus mechanisms improving",
      "Enterprise adoption accelerating",
      "Regulatory frameworks emerging"
    ],
    "sourcesAnalyzed": 25,
    "confidenceLevel": 0.89,
    "methodology": "Multi-source analysis with peer review"
  },
  "cached": false,
  "timestamp": "2025-11-02T17:09:14.866Z"
}

`google://fact/check/{claim}`

提供事实验证结果和支持证据。

资源详细信息：

目的：获取索赔的事实核查结果
好处：通过证据追踪进行可靠的事实核查
缓存TTL：24小时-事实不会经常改变
用例：内容验证、新闻报道、教育事实核查

响应格式：

{
  "claim": "The Earth is flat",
  "verification": {
    "verdict": "False",
    "confidence": 1.0,
    "evidence": [
      {
        "source": "NASA Scientific Consensus",
        "type": "Scientific Evidence",
        "strength": "Overwhelming",
        "summary": "Multiple independent measurements confirm spherical Earth"
      }
    ],
    "lastUpdated": "2025-11-01T10:00:00Z"
  },
  "cached": false,
  "timestamp": "2025-11-02T17:09:14.866Z"
}

发展

开发命令

# Install dependencies
npm install

# Run in development mode with hot reload
npm run dev

# Build the project
npm run build

# Run tests
npm test

# Run linting
npm run lint

# Start production server
npm start

项目结构

mcp-server-google-search/
├── dist/                    # Compiled JavaScript output
├── __tests__/              # Test files
│   └── mcp-server.test.ts  # MCP server tests
├── config.ts               # Configuration and environment variables
├── index.ts                # Main entry point
├── mcp-server.ts           # MCP server implementation with all 6 tools
├── package.json            # Dependencies and scripts
├── tsconfig.json           # TypeScript configuration
├── jest.config.js          # Jest testing configuration
├── global.d.ts             # TypeScript declarations
├── .env.example            # Environment variables template
├── example-config.json     # MCP configuration example
├── README.md               # This comprehensive documentation
└── LICENSE                 # MIT License

技术细节

语言：带有ES模块的TypeScript
运行时：Node.js 18+
协议：模型上下文协议（MCP）
验证：所有参数的Zod模式
HTTP客户端：适用于API请求的Axios
HTML解析：Cheerio用于内容提取
情感分析：情感库
测试：支持TypeScript的Jest

错误处理

该服务器包括全面的错误处理功能，用于：

API身份验证：无效的Google API凭据
网络问题：超时、连接失败、速率限制
参数验证：无效的搜索参数和格式错误的请求
内容提取：网页解析和提取失败
速率限制：超过Google API配额
格式错误的URL：内容提取的URL无效

性能特点

并发请求：多站点搜索的并行处理
错误恢复：当单个源发生故障时，性能会下降
响应缓存：高效的结果汇总和统计
内存管理：针对长时间运行的MCP服务器进程进行了优化

许可证

此项目根据MIT许可证获得许可-请参阅许可证文件以获取详细信息。

贡献

我们欢迎捐款！以下是您可以提供帮助的方式：

分叉存储库 上
创建要素分支: git checkout -b feature/amazing-feature
进行更改 并在适用的情况下添加测试
运行测试套件: npm test
提交您的更改: git commit -m 'Add amazing feature'
推到分支: git push origin feature/amazing-feature
打开拉取请求 在GitHub上

贡献领域

新工具：为特定域添加专门的搜索工具
增强分析：改进搜索分析和趋势分析
演出：优化API调用和响应时间
文档：改进示例和用例
测试：增加更全面的测试覆盖率
错误处理：增强错误消息和恢复

支持

获取帮助

GitHub问题: 打开一个问题对于bug或功能请求
讨论：使用GitHub讨论来回答问题和社区支持
文档：查看此README以获取全面的使用示例

常见问题

API关键问题：确保您的Google API密钥有效并且启用了自定义搜索API
CSE ID问题：验证您的自定义搜索引擎ID是否正确
速率限制：Google API有每日配额-在Google云控制台中检查您的使用情况
MCP客户端问题：配置更改后重新启动MCP客户端

实用链接

______________________________________________________________________

关于

这款MCP服务器将谷歌强大的搜索功能转化为智能人工智能工具，实现了与现代人工智能助手的无缝集成。它基于TypeScript构建，遵循MCP标准，为搜索驱动的AI应用程序提供了坚实的基础。

仓库:

由...创建: 1999AZZAR

许可证：MIT

______________________________________________________________________

*致力于AI社区*

Google Search

快速接入

详细介绍

谷歌搜索MCP服务器

目录

特性

先决条件

安装

配置

环境变量

获取Google API凭据

步骤1:谷歌云控制台设置

步骤2：自定义搜索引擎设置

步骤3：配置搜索引擎（可选）

安全最佳实践

用法

作为MCP服务器

用于游标IDE

适用于克劳德桌面

对于其他MCP客户端

测试服务器

可用工具

1.谷歌搜索(google_search)

2.提取内容(extract_content)

3.搜索分析(search_analytics)

4.多站点搜索(multi_site_search)

5.新闻监视器(news_monitor)

6.学术搜索(academic_search)

7.内容摘要生成器(content_summarizer)

8.事实核查员(fact_checker)

9.研究助理(research_assistant)

10.搜索趋势(search_trends)

9.研究助理(research_assistant)

可用资源

google://search/cache/{query}

google://search/trends/{topic}

google://search/analytics/{query}

google://content/extracted/{url}

google://news/recent/{topic}

google://academic/results/{query}

google://research/summary/{topic}

google://fact/check/{claim}

发展

开发命令

项目结构

技术细节

错误处理

性能特点

许可证

贡献

贡献领域

支持

获取帮助

常见问题

实用链接

关于

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP

1.谷歌搜索(`google_search`)

2.提取内容(`extract_content`)

3.搜索分析(`search_analytics`)

4.多站点搜索(`multi_site_search`)

5.新闻监视器(`news_monitor`)

6.学术搜索(`academic_search`)

7.内容摘要生成器(`content_summarizer`)

8.事实核查员(`fact_checker`)

9.研究助理(`research_assistant`)

10.搜索趋势(`search_trends`)

9.研究助理(`research_assistant`)

`google://search/cache/{query}`

`google://search/trends/{topic}`

`google://search/analytics/{query}`

`google://content/extracted/{url}`

`google://news/recent/{topic}`

`google://academic/results/{query}`

`google://research/summary/{topic}`

`google://fact/check/{claim}`