+ 发布产品

@brave/brave-search-mcp-server Skill 技能

## 技能简介 @brave/brave-search-mcp-server 是 Brave 官方提供的 Model

AI搜索知识库
查看 Skill ↗
认领产品

技能简介

@brave/brave-search-mcp-server 是 Brave 官方提供的 Model Context Protocol（MCP）搜索服务器，将 Brave 搜索 API 的全部能力以标准化 MCP 工具接口对外开放。该服务器支持网页搜索、本地商家搜索、视频搜索、图片搜索、新闻搜索、地点搜索、AI 摘要生成以及面向大模型的 LLM Context 等多种工具，并同时兼容 stdio 和 HTTP 两种传输协议，部署灵活。相较于传统搜索 API，Brave Search 以保护用户隐私为核心价值，搜索结果不追踪、不个性化，能够为 AI 助手提供更加客观中立的信息来源。

核心能力

  • 网页搜索（brave_web_search）：支持国家、语言、时间范围、安全过滤等精细化参数，返回包含摘要和 AI 总结的富结果
  • 本地商家搜索（brave_local_search）：基于地理位置搜索附近商家，返回评分、营业时间、联系方式等完整信息（需 Pro 套餐）
  • 图片搜索（brave_image_search）：返回图片 URL、尺寸和置信分数，支持严格的安全过滤模式
  • 视频搜索（brave_video_search）：获取视频元数据和缩略图，支持分页
  • 新闻搜索（brave_news_search）：检索当前新闻，支持突发新闻标识和时间新鲜度控制
  • AI 摘要（brave_summarizer）：基于网页搜索结果调用 Brave 摘要 API，生成带来源引用的 AI 总结
  • 地点搜索（brave_place_search）：返回 POI 完整结构化数据，含坐标、营业时间、评分、照片和分类体系
  • LLM Context（brave_llm_context）：专为大模型设计的搜索接口，优化 token 消耗并支持自定义片段数上限，适合 RAG 场景
  • 双传输模式：默认 stdio，配置环境变量或命令行参数即可切换为 HTTP 模式

安装配置

前置要求

获取 Brave API Key

  1. 访问 https://api-dashboard.search.brave.com/app/keys 并登录
  2. 选择 Search 或 Answers 套餐完成订阅（Search 套餐有免费额度）
  3. 在开发者面板中生成新的 API Key 并妥善保存

环境变量配置

export BRAVE_API_KEY="BSA-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX"
export BRAVE_MCP_TRANSPORT="stdio"    # 可选：stdio（默认）或 http
export BRAVE_MCP_PORT="8080"        # HTTP 模式端口

安装方式

# NPM 全局安装
npm install -g @brave/brave-search-mcp-server

# Docker 安装
docker pull brave/brave-search-mcp-server:latest
docker run -e BRAVE_API_KEY="your-key" brave/brave-search-mcp-server

# Docker HTTP 模式
docker run -e BRAVE_API_KEY="your-key" -e BRAVE_MCP_TRANSPORT="http" -e BRAVE_MCP_HOST="0.0.0.0" -p 8080:8080 brave/brave-search-mcp-server

使用步骤

  1. 注册并获取 API Key：访问 Brave API 开发者面板完成订阅
  2. 配置环境变量：将 BRAVE_API_KEY 写入环境变量
  3. 启动服务器（stdio 模式）：brave-search-mcp-server
  4. 切换 HTTP 模式：brave-search-mcp-server --transport http --port 8080
  5. 在 MCP 客户端中配置（Claude Desktop 为例）： { "mcpServers": { "brave-search": { "command": "brave-search-mcp-server", "env": { "BRAVE_API_KEY": "BSA-..." } } } }
  6. 在对话中直接请求 AI 执行搜索，如搜索最新 AI 新闻或查找北京附近的意大利餐厅

适用场景

  • AI 助手的实时信息查询：不依赖爬虫，直接通过 MCP 工具获取最新网页搜索结果
  • RAG 知识库增强：使用 brave_llm_context 为大模型提供经过优化的搜索上下文，提升答案准确率
  • 舆情监控：结合定时任务抓取新闻搜索结果，追踪品牌或事件的网络声量
  • 本地服务推荐：结合地理位置搜索和商家详情，AI 助手可给出含评分和营业时间的推荐
  • 多模态搜索：同一 MCP 服务器同时支持文本、图片、视频搜索，覆盖常见搜索需求
  • 隐私敏感场景：Brave Search 不追踪用户行为，适合对隐私有要求的企业搜索场景

适用人群

  • 将 AI 助手作为主要生产力的开发者和技术团队
  • 需要为 RAG 系统引入可靠实时搜索数据源的 AI 工程师
  • 构建舆情监控或竞品分析工具的运营和数据分析人员
  • 重视搜索隐私、不希望搜索记录被追踪的个人用户和组织
  • 需要为 AI 助手提供视觉搜索能力的产品经理和开发者

工作原理

@brave/brave-search-mcp-server 遵循 Model Context Protocol 的工具（Tools）规范实现。服务器接收来自 MCP 客户端的工具调用请求后，将参数转发至 Brave Search REST API，解析返回的 JSON 结果后以结构化格式响应给客户端。默认使用 stdio 传输，客户端通过子进程通信；配置 BRAVE_MCP_TRANSPORT=http 后切换为 HTTP Server，通过 RESTful 接口接收请求。brave_llm_context 工具是专为 RAG 场景设计的高效接口，通过控制最大 token 数和片段数来优化模型上下文窗口的利用效率。

官方链接

@brave/brave-search-mcp-server 网站预览

团队信息

AI产品库 官方
由 AI 猎手自动发现

评论与建议

0 条评论