0 Fork 0

Files

T

host f8acdffb4a feat: web search MCP v1 (oh-my-pi pattern, Python stdlib)

web_search auto chain Perplexity/Exa/Tavily/Brave/SearXNG/DuckDuckGo
with pinned-provider no-fallback, web_fetch with head+tail truncation,
codex-home seeding helper (idempotent, never writes keys).
Tests: cloud/tests/test_websearch_mcp.py 12/12 (mocked HTTP).
Not wired into worker, not deployed, paid backends not live-tested.

2026-10-28 17:14:22 +08:00

5.1 KiB

Raw Blame History

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）

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。
exa：POST https://api.exa.ai/search，头 x-api-key， type: auto，contents.text.maxCharacters: 2000 + highlights: true。
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）。
brave：GET https://api.search.brave.com/res/v1/web/search，头 X-Subscription-Token，extra_snippets: true。
searxng：GET $SEARXNG_URL/search?format=json，需自托管实例且 JSON 格式已打开。
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：

[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。

生产接线前必须另做的事（本批未做）

worker 自动播种：目前播种助手已写好并有单测，但没有接进 worker 的派发路径，新项目不会自动获得搜索工具；老项目（config.toml 已存在且无该 section）需要一次配置合并，不能只改模板。
egress 白名单：Docker 任务走 tinyproxy，只放行中转、 GitHub、PyPI、npmjs；搜索要通必须把以下域名加进 deploy/egress/tinyproxy-filter 并重载 tinyproxy： api.perplexity.ai、api.exa.ai、api.tavily.com、 api.search.brave.com、html.duckduckgo.com，以及你自己的 SearXNG 实例域名。未加之前，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：本批付费后端只以 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。

5.1 KiB Raw Blame History Unescape Escape