host
f8acdffb4a
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.
107 lines
5.1 KiB
Markdown
107 lines
5.1 KiB
Markdown
# 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。
|