# 网页搜索 MCP v1（oh-my-pi 模式，Python 实现）

目标：给 codex 任务一个可用的 `web_search` / `web_fetch`，
不把 oh-my-pi 的 TypeScript 代码原样搬过来（codex 认不出
pi 的工具），只复用它的模式：统一工具 + provider 抽象 +
`auto` 链式回退 + 抓取转干净文本。

## 文件

- `cloud/websearch.py`：provider 链、抓取、codex-home 播种
  助手。纯标准库，无第三方依赖，这样它能不经 pip 安装就
  在宿主和 Docker 容器里跑。
- `cloud/websearch_mcp.py`：stdio JSON-RPC MCP 服务器，
  只做协议帧，逻辑全在 websearch.py。日志只写 stderr，
  stdout 是 JSON-RPC 流，绝不能混日志。
- `cloud/tests/test_websearch_mcp.py`：12 个单测，全部
  mock HTTP，不联网、不需要真实 key。

## 工具

- `web_search(query, limit=5, provider="auto")`：返回
  `{provider, results:[{title, url, snippet, score?}], answer?, attempted}`。
  `answer` 只有 provider 本身给合成答案时才有（目前是
  Perplexity Sonar）；其它 provider 的总结仍由主模型做。
- `web_fetch(url, char_limit=15000)`：返回
  `{url, title, text, links, truncated}`。超长按头 75% +
  尾 25% 截断并标 `[TRUNCATED]`；只接受 http(s)，拒绝
  localhost 与字面私有 IP。

## Provider 链（auto 顺序）

1. `perplexity`：`POST https://api.perplexity.ai/chat/completions`，
   模型 `sonar`，`Authorization: Bearer $PERPLEXITY_API_KEY`。
   返回合成答案 + `search_results` / `citations`。
2. `exa`：`POST https://api.exa.ai/search`，头 `x-api-key`，
   `type: auto`，`contents.text.maxCharacters: 2000` +
   `highlights: true`。
3. `tavily`：`POST https://api.tavily.com/search`，
   `Authorization: Bearer $TAVILY_API_KEY`，
   `search_depth: basic`，`include_answer: false`（工具只返
   结果，总结留给模型）。
4. `brave`：`GET https://api.search.brave.com/res/v1/web/search`，
   头 `X-Subscription-Token`，`extra_snippets: true`。
5. `searxng`：`GET $SEARXNG_URL/search?format=json`，需自托管
   实例且 JSON 格式已打开。
6. `duckduckgo`：解析 `https://html.duckduckgo.com/html/`，
   免 key 兜底，布局漂移时只会返回空结果并继续走链，
   不会把工具打崩。

规则：auto 只试已配置的后端（有 key 的付费后端 + 已配
URL 的 SearXNG + DuckDuckGo）；任一后端 HTTP 失败或
0 结果都继续下一个；全部失败返回各后端错误（不含 key）。
`provider`  pin 单个名字时不回退，失败即报错。
可用 `WEBSEARCH_PROVIDERS`（逗号列表）改默认链顺序，
`WEBSEARCH_TIMEOUT`（秒，默认 20）改单次超时。

## 接入 codex（测试项目做法）

codex 从 codex-home 的 `config.toml` 读 MCP 配置：

```toml
[mcp_servers.websearch]
command = "python3"
args = ["/path/to/codex-home/websearch_mcp.py"]
```

`ensure_codex_home_websearch(codex_home_dir, command_args=...)`
会把 `websearch.py` / `websearch_mcp.py` 拷进该 codex-home，
并在缺失时追加上面这段（已有 section 绝不重写；key 绝不
写进 config.toml，key 只走 MCP 进程的环境变量）。
注意：同一个 config.toml 不能同时装宿主路径和容器路径，
Docker 租户必须传容器内路径
`/var/lib/codex-app-server/codex-home/websearch_mcp.py`，
因为该目录正是租户 codex-home 的容器内挂载点。

## 生产接线（worker + egress + 自托管 SearXNG）

- worker 自动播种：`cloud/worker.py --websearch-mcp`（默认关）。
  开启后 `_tenant_dirs` 在播种 config.toml 之后调播种助手，
  写容器内路径 `/var/lib/codex-app-server/codex-home/websearch_mcp.py`。
  老租户下一次任务自动合并（`_tenant_dirs` 每次派发都调到），
  已有 section 不重写。autoscaler unit 已加 `--websearch-mcp`，
  但 unit 文件不在 deploy tar 里，主机上须单独 scp +
  daemon-reload + restart autoscaler 才生效（见部署教训）。
- egress 白名单：`deploy/egress/tinyproxy-filter` 已加
  Perplexity、Exa、Tavily、Brave、DuckDuckGo 与
  `searx.diante.me`（精确匹配，不用 diante.me 通配，否则
  任务经代理也能摸到 api.diante.me 控制面）。主机上须把
  该文件拷到 `/etc/tinyproxy/tinyproxy-filter` 并重载
  tinyproxy，重载后先验中转域名还通，再验新域名。
- 自托管 SearXNG（公开子域名路）：主机 Docker 跑
  `searxng/searxng`，经 nginx 反代到 `searx.diante.me`
 （DNS A 记录 + certbot 证书），MCP 侧
  `SEARXNG_URL=https://searx.diante.me` 走 worker 进程
  环境（`/etc/codex-app-server/env`）继承到 codex 再到
  MCP，不写进 config.toml。公开实例的代价是可能被外人
  刷：SearXNG limiter 保持开启，JSON 格式是 MCP 要用的
  唯一格式。未加域名进白名单之前，Docker 任务的搜索
  会被代理 403 挡住（fail closed，工具报错，不会静默绕过）。
- 付费后端实测：付费后端只以 mock 响应验证了请求
  字段与结果映射，未用真实 key 跑过；上生产前须用真实
  key 在测试项目跑一遍，再谈默认链顺序是否合理。

## 诚实边界

- 本批只做代码 + 单测 + 测试租户目录的配置合并验证，
  未推分支、未建 PR、未合并、未部署、未改生产 worker
  与 egress 配置、未跑真实 codex 任务。
- DuckDuckGo 的 HTML 解析是兜底手段，布局一变就可能
  0 结果；它存在的意义是“没 key 也能走通链路”，不是
  长期依赖的搜索后端。实测（2026-10-28，VM 出口）：
  html / lite 端点均回 202 + 机器人挑战页（anomaly），
  不是解析器 bug——在这个出口下免 key 搜索实际不通，
  免 key 可用性最终要靠自托管 SearXNG 或付费后端。
- `web_fetch` 不是安全边界：danger-full-access 的任务
  本来就能 curl，fetch 只挡了最明显的非 http(s) 与
  本地私有地址，不应把它当沙箱用。