内容
<p align="center">
<img src="demo.gif" alt="BeHive — 深度研究引擎" width="720" />
</p>
<h1 align="center">🐝 BeHive</h1>
<p align="center">
<strong>开源研究引擎，从任何主题中提取结构化知识。</strong><br />
输入一个问题。获取评分主张、实体图谱和综合报告 — 而不是一大段杂乱无章的内容。
</p>
<p align="center">
<a href="https://pypi.org/project/behive"><img src="https://img.shields.io/badge/pip_install-behive-FFB300?style=for-the-badge&logo=python&logoColor=white" /></a>
<a href="https://www.npmjs.com/package/n8n-nodes-behive"><img src="https://img.shields.io/badge/n8n-community_node-FF6D5A?style=for-the-badge&logo=n8n&logoColor=white" /></a>
<a href="#self-hosting"><img src="https://img.shields.io/badge/Docker-compose_up-2496ED?style=for-the-badge&logo=docker&logoColor=white" /></a>
<a href="LICENSE"><img src="https://img.shields.io/badge/License-MIT-22c55e?style=for-the-badge" /></a>
<a href="https://api.yu-na.io/docs"><img src="https://img.shields.io/badge/API-Live-4FC3F7?style=for-the-badge&logo=fastapi&logoColor=white" /></a>
<a href="#mcp-integration"><img src="https://img.shields.io/badge/MCP-Native-AB47BC?style=for-the-badge" /></a>
</p>
<p align="center">
<a href="#quick-start">快速开始</a> •
<a href="#use-with-claude--chatgpt--gemini">与 AI 助手结合使用</a> •
<a href="#drone-arsenal">无人机 arsenal</a> •
<a href="#benchmarks">基准测试</a> •
<a href="#architecture">架构</a> •
<a href="#api-reference">API</a> •
<a href="#self-hosting">自托管</a> •
<a href="#integrations">集成</a>
</p>
---
## 问题
你向 Claude 提问关于某个主题，它给你一个听起来很有信服力的总结，但基于的训练数据已经过时了。没有来源，没有结构，也无法验证。
你问 Perplexity，它的表现更好 —— 它引用了来源，但输出仍然是无结构化的文本。你无法查询它、交叉引用它或在此基础上继续研究。
**BeHive 与众不同**。它生成 **机器可读的智能**：带有置信度评分的分类主张、实体关系图谱和结构化的 JSON，你可以将其输入到任何下游系统中。
```
你的人工智能助手 → BeHive → 验证的结构化评分知识
├── 363 个主张（平均质量 0.824）
├── 42 个具有关系的实体
└── 综合报告，附有引用
```
---
## 快速开始
```bash
pip install behive
# 设置你的 LLM API 密钥（你使用的是你自己的订阅 — BeHive 不收费）
export ANTHROPIC_API_KEY=*** # 或 OPENAI_API_KEY
# 启动服务器
behive serve
```
就这样。BeHive 现在已经运行：
- **API** → `http://localhost:8091`（REST 端点）
- **MCP** → `http://localhost:8090/mcp`（适用于 AI 助手）
- **文档** → `http://localhost:8091/docs`（Swagger UI）
---
## 🔌 与 Claude Desktop 结合使用（30 秒）
> **你提供 Claude 订阅。BeHive 添加研究超能力。无需额外费用。**
**步骤 1：** 安装并启动 BeHive：
```bash
pip install behive
export ANTHROPIC_API_KEY=*** # 你自己的密钥
behive serve
```
**步骤 2：** 打开 Claude Desktop → 设置 → 开发者 → 编辑配置 → 粘贴：
```json
{
"mcpServers": {
"behive": {
"url": "http://localhost:8090/mcp",
"transport": "streamable-http"
}
}
}
```
**步骤 3：** 重启 Claude Desktop。完成。现在可以提问：
> "研究欧盟 AI 法案的执法时间表和处罚"
Claude 将自动调用 BeHive，获取 200+ 个来源，并返回评分主张而不是根据训练数据进行猜测。
<details>
<summary><strong>背后发生了什么</strong></summary>
```
你向 Claude 提问
↓
Claude 调用 BeHive MCP 工具 "research_topic"
↓
BeHive 侦察 70+ 个 API，获取 1000+ 个 URL 地址 via 隐身无人机
↓
你的 LLM 密钥提取主张（Claude Haiku ≈ 0.50 美元/任务）
↓
BeHive 评分，重复数据删除，构建知识图谱
↓
向 Claude 返回结构化报告
↓
Claude 以置信度评分和来源链接呈现调查结果
```
**成本：~0.30–2.00 美元/研究任务** （你的 Anthropic/OpenAI 代币）。
BeHive 本身：**永久免费** （MIT 许可证）。
</details>
---
## 🔌 与 ChatGPT 结合使用（自定义 GPT）
**步骤 1：** 在具有公共 URL 的服务器上启动 BeHive（或使用隧道）：
```bash
pip install behive
export OPENAI_API_KEY=*** # 你自己的密钥
behive serve --host 0.0.0.0
# 使用隧道暴露（用于测试）：
# npx cloudflared tunnel --url http://localhost:8091
```
**步骤 2：** 在 [chat.openai.com/gpts/editor](https://chat.openai.com/gpts/editor) 处创建自定义 GPT：
- **名称：** "深度研究员（BeHive）"
- **说明：** "您是一名研究分析师。使用 BeHive 操作进行主题研究。始终引用主张的置信度评分。"
- **操作 → 导入 URL：** 粘贴您的服务器 URL + `/openapi.json`
或手动添加此架构：
```yml
openapi: 3.1.0
info:
title: BeHive 研究 API
version: 0.2.0
servers:
- url: https://*** 路径：
/research:
post:
operationId: startResearch
summary: 启动深度研究任务
requestBody:
required: true
content:
application/json:
schema:
type: object
required: [query]
properties:
query:
type: string
description: 研究主题或问题
depth:
type: integer
default: 3
description: 1=快速，3=标准，5=深入
responses:
'200':
description: 任务已成功启动
/research/{mission_id}:
get:
operationId: getResearchResults
summary: 获取已完成的具有评分主张的研究结果
parameters:
- name: mission_id
in: path
required: true
schema:
type: string
responses:
'200':
description: 具有主张和报告的研究结果
/claims/search:
get:
operationId: searchKnowledge
summary: 跨所有已研究知识的搜索
parameters:
- name: q
in: query
required: true
schema:
type: string
- name: limit
in: query
schema:
type: integer
default: 20
responses:
'200':
description: 匹配的主张与评分
```
**步骤 3：** 使用你的自定义 GPT。提问： "研究 2026 年量子计算突破"
---
## 🔌 与 Cursor / Windsurf / 任意 MCP 客户端结合使用
任何支持 MCP 的编辑器或工具都与 Claude Desktop 相同：
```json
{
"mcpServers": {
"behive": {
"url": "http://localhost:8090/mcp",
"transport": "streamable-http"
}
}
}
```
**可用的 MCP 工具：**
| 工具 | 描述 |
|------|-------------|
| `research_topic` | 启动深度研究任务（返回 job_id） |
| `mission_status` | 轮询运行中的任务进度 |
| `get_report` | 获取综合报告 |
| `search_knowledge` | 搜索所有已提取的主张 |
---
## 🔌 与 Hermes Agent / OpenClaw 结合使用
**Hermes Agent** （自动 - 技能已发布）：
```bash
# BeHive 技能在您询问 Hermes 研究任何内容时自动加载
# 只需确保 behive serve 在同一台机器上运行
behive serve
```
**OpenClaw：**
```bash
# 从集成目录安装
cp integrations/openclaw/SKILL.md ~/.openclaw/skills/behive-research.md
```
---
## 无人机 arsenal
BeHive 不仅仅是搜索网络。它部署了 **隐身无人机** - 多层抓取代理，可以突破反机器人防御、付费墙和速率限制。
### 8 层规避栈
每个 URL 都经过 **升级级联**。如果第 1 层被阻止，第 2 层启动。最多可达第 8 层。
```
第 1 层 │ 直接 — aiohttp + 完整的 Chrome 131 头部
第 2 层 │ 用户代理轮换 — 10 个浏览器指纹（Chrome/Firefox/Safari/Edge）
第 3 层 │ curl_cffi — TLS 伪装（JA3/JA4 指纹匹配）
第 4 层 │ primp — Rust 原生 TLS，新颖的指纹，比 curl_cffi 更新
第 5 层 │ nodriver — 通过 CDP 的无头 Chrome， 通过 Cloudflare 机器人管理
第 6 层 │ patchright — 隐身 Playwright（无 Runtime.enable/Console.enable 泄漏）
第 7 层 │ Jina 中继 — r.jina.ai 代理（付费墙 + 验证码绕过）
第 8 层 │ 存档 — Wayback Machine + archive.org 备用
```
### 他们绕过的防御
| 防御 | 如何 |
|---------|-----|
| Cloudflare | 检测 → 升级到 nodriver/patchright（JS 挑战解决） |
| DataDome | TLS 指纹轮换（primp/curl_cffi） |
| Akamai 机器人管理器 | 基于 CDP 的无头 + 真实浏览器用户代理池 |
| 速率限制 | 自动退避 + 用户代理轮换 + 并行多样化 |
| 付费墙 | Jina 中继代理 + archive.org 缓存 |
| Turnstile CAPTCHA | patchright 隐身 Playwright |
| 403/429 块 | 智能重试和升级，从不重复轰炸同一层 |
### 并行抓取架构
```
┌─── HEAD 扫描（974+ URL，异步信号量） ───┐
│ │
▼ ▼
┌─────────────────┐ ┌────────────────┐
│ 资源路由器 │ │ 域名侦察 │
│ （检测 8 种 │ │ （分级评分 │
│ 资源类型）│ │ 声誉） │
└────────┬────────┘ └───────┬────────┘
│ │
┌──────────┼──────────┬──────────┐ │
▼ ▼ ▼ ▼ ▼
api_bee pdf_drone std_drone heavy_drone domain_score
（70 个 API） （VLM 解析） （第 1-8 层） （patchright） （0.0 - 1.0）
```
**路由决策按资源类型：**
- `api_endpoint` → 直接 API bee（结构化 JSON，无需解析）
- `pdf` → PDF 无人机（Vision LLM 提取）
- `static_html` → 标准无人机（通常第 1-4 层足够）
- `spa` → 重型无人机（第 5-6 层，需要 JS 执行）
- `paywall` → Jina 中继或存档备用
- `rss_feed` → RSS bee（结构化，快速）
- `database_portal` → 专用连接器（自定义抓取逻辑）
### 70+ 个 API 来源
侦察蜂不仅会谷歌搜索。它们会查询 **专业 API**，涵盖 37 个类别：
| 类别 | API | 示例 |
|----------|------|----------|
| 学术 | 5 | arXiv, Semantic Scholar, CrossRef, OpenAlex, CORE |
| 财务 | 6 | SEC EDGAR, Yahoo Finance, FRED, ECB, World Bank |
| 政府 | 5 | TED（欧盟采购），SAM.gov, UK FTS, BZP（波兰），GUS |
| 安全 | 6 | CVE/NVD, Shodan, VirusTotal, AbuseIPDB |
| 开发 | 8 | GitHub, npm, PyPI, crates.io, Docker Hub, Homebrew |
| ML/AI | 5 | HuggingFace, Papers With Code, Replicate, Ollama |
| 新闻 | 4 | NewsAPI, GNews, TheNewsAPI, Mediastack |
| 加密货币 | 2 | CoinGecko, CoinMarketCap |
| 专利 | 1 | Google Patents（通过 SerpAPI） |
| 医学 | 1 | PubMed/NCBI |
| ... | 25+ | 贸易，地缘政治，环境，人口统计，... |
**总数：70 个 API，125 个端点** - 每个任务根据主题相关性检查每个端点。
---
## 基准测试
真实的结果。没有挑选。 30（标准深度）。
**硬件：** EC2 g6.24xlarge — 4× NVIDIA L4（92 GB VRAM），96 vCPU，384 GB RAM
**模型：** Bedrock Claude Haiku（批量提取） + Sonnet（增强），SGLang/Qwen 在本地 GPU 上
| 主题 | 主张 | 平均质量 | 时长 | 来源 |
|:------|-------:|:-----------:|---------:|--------:|
| NVIDIA GPU 市场 2026 | 290 | **0.797** | 8 分钟 | 234 |
| OpenAI GPT-5 能力 | 574 | **0.789** | 12 分钟 | 174 |
| 欧盟 AI 法案执行 | 267 | **0.759** | 6 分钟 | 130 |
| Perplexity AI 商业模式 | 267 | **0.759** | 7 分钟 | 150 |
| Meta Llama 4 架构 | 568 | **0.821** | 11 分钟 | 198 |
**质量分数含义：
- `0.90+` — 优秀：具体数字，日期，来源，完全可验证
- `0.82+` — 优秀：多维，适合出版
- `0.75+` — 良好：有用的情报，一些具体信息
- `0.65+` — 合格：一般事实，录入数据库
- `<0.55` — 拒绝：太模糊，不存储
> **诚实评分，无技巧。** 无 sigmoid 缩放，无人工膨胀。分数是加权平均值，具体性、信息密度、唯一性、可验证性和结构。
---
## 架构
```
┌──────────────────────────────────┐
│ BeHive 管道 │
└──────────────────────────────────┘
│
┌───────────┬───────────┬────┐
▼ ▼ ▼ ▼ ▼ ▼ ▼
┌─────────┐ ┌─────────┐ ┌──────────┐ ┌──────────┐ ┌─────────┐ ┌────────┐
│ 侦察 │ │ 采集 │ │ 处理 │ │ V4 │ │ 合成 │ │ 图谱 │
│ │ │ │ │ │ │ │ │ │ │ │
│ 女王 │ │ 并行 │ │ 蜂巢 │ │ 海库 │ │ 克劳德 │ │ 新欧4J │
│ 计划 │ │ HTTP │ │ 快速提取 │ │ 提取 │ │ 报告 │ │ 实体融合│
│ 5 轴 │ │ 1000+ │ │ + 评分 │ │ + 索尼特 │ │ + 引用 │ │ │
└─────────┘ └─────────┘ └──────────┘ └──────────┘ └─────────┘ └────────┘
│ │ ▼ │ │ │
│ │ ┌──────────────┐ │ │ │
│ │ │ 质量门 │ │ │ │
│ │ │ conf ≥ 0.55 │ │ │ │
│ │ │ 重复数据删除 0.60 │ │ │ │
│ │ └──────────────┘ │ │ │
│ │ │ │ │ │
└──────────────┴────────────┴────────────┴────────────┴──────────┘
│
┌─────────┴─────────┐
│ PostgreSQL │
│ 主张 + 知识图谱 │
│ 25K+ 记录 │
└───────────────────┘
```
**是什么让它与 GPT-Researcher 不同：**
1. **双模型提取** — 快速模型（Haiku）用于批量提取，强大的模型（Sonnet）用于丰富薄弱的主张。不仅仅是“总结这个页面。”
2. **质量评分** — 每个主张都有 0.0-1.0 的分数。低于阈值 = 被拒绝。没有填充内容。
3. **知识图谱** — 实体和关系在任务之间持续存在。研究成果不断累积。
4. **70+ 个 API 来源** — 不仅仅是网络搜索。SEC 文件，arXiv，专利数据库，政府 API。
5. **重复数据删除** — Jaccard 0.60 阈值防止相同事实因不同来源而膨胀计数。
---
## API 参考
BeHive 公开了一个 REST API（端口 8091）和 MCP 服务器（端口 8090）。
### 启动研究
```bash
curl -X POST http://localhost:8091/research \
-H "Content-Type: application/json" \
-d '{
"query": "SpaceX Starship launch cadence 2026",
"depth": 3,
"scale": 30
}'
# → {"job_id": "hive_1785227949_815112", "status": "started"}
```
### 流式进度（SSE）
```bash
curl -N http://localhost:8091/research/hive_1785227949_815112/events
```
```
event: start
data: {"topic": "SpaceX Starship...", "status": "scout"}
event: phase
data: {"phase": "process", "event": "started"}
event: claims
data: {"count": 142, "avg_quality": 0.791, "above_082": 23, "new_since_last": 18}
event: done
data: {"total_claims": 363, "avg_quality": 0.824, "sources": 64}
```
### 获取报告
```bash
curl http://localhost:8091/research/hive_1785227949_815112/report
# → {"synthesis": "## SpaceX Starship...", "claims_count": 363, ...}
```
### 知识搜索
```bash
# 跨所有任务的全文搜索
curl "http://localhost:8091/search?query=NVIDIA+revenue&limit=20"
# 实体智能
curl http://localhost:8091/intelligence/entity/NVIDIA
# 网络图（2-hop 邻居）
curl "http://localhost:8091/intelligence/network/OpenAI?depth=2"
```
### 所有端点
| 方法 | 路径 | 描述 |
|--------|------|-------------|
| `POST` | `/research` | 启动新任务 |
| `GET` | `/research/{id}/status` | 检查进度 |
| `GET` | `/research/{id}/events` | SSE 流 |
| `GET` | `/research/{id}/report` | 获取合成报告 |
| `GET` | `/search` | 查询主张 |
| `GET` | `/intelligence/entity/{name}` | 实体详情 |
| `GET` | `/intelligence/network/{name}` | 关系图 |
| `GET` | `/intelligence/stats` | 系统统计 |
完整的 Swagger 文档：`http://localhost:8091/docs`
---
## MCP 集成
BeHive 实现了 [模型上下文协议](https://modelcontextprotocol.io) - AI 工具连接的 emerging 标准。
```json
{
"mcpServers": {
"behive": {
"url": "http://localhost:8090/mcp",
"transport": "streamable-http"
}
}
}
```
**兼容：**
- Claude Desktop / Claude Code
- Cursor IDE
- Windsurf
- n8n（通过 MCP 节点）
- 任意 MCP 兼容客户端
**暴露的工具：**
| 工具 | 描述 |
|------|-------------|
| `research_topic` | 对任何主题进行深度研究 |
| `mission_status` | 轮询任务进度 |
| `get_report` | 获取综合报告 |
| `search_knowledge` | 查询所有任务的主张 |
| `list_missions` | 查看已完成的任务历史 |
---
## 自托管
TODO
### Docker（推荐）
```bash
git clone https://github.com/qa10devteam/behive.git
cd behive
cp .env.example .env # 添加您的 LLM API 密钥
docker compose up -d # API 已在 localhost:8091 准备就绪
```
全栈知识图谱 + 向量搜索：
```bash
docker compose --profile full up -d
```
### 手动安装
```bash
pip install behive[all]
# PostgreSQL
createdb hive
behive db init
# 配置
export BEHIVE_DB_URL="postgresql://user:pass@localhost:5432/hive"
export BEHIVE_LLM=bedrock # 或 openai, local
# 启动服务
behive api start # REST API 在 :8091
behive mcp start # MCP 服务器在 :8090
```
### 最低要求
| 组件 | 最低 | 推荐 |
|-----------|---------|-------------|
| RAM | 4 GB | 16 GB |
| CPU | 2 核 | 8+ 核 |
| 存储 | 10 GB | 50 GB |
| GPU | 不需要 | 4× L4（本地 LLM） |
| PostgreSQL | 14+ | 16（pgvector） |
| LLM | 任意 OpenAI 兼容 | Bedrock Claude（Haiku + Sonnet） |
---
## 工作原理（面向人类）
1. **您提供一个主题。** "NVIDIA GPU 市场 2026"
2. **侦察蜂规划研究。** 女王将主题分解为 5 个轴（市场份额、财务状况、产品、竞争、供应链）。为每个轴生成 12-14 个搜索查询。检查 70+ 个 API。
3. **采集蜂收集来源。** 并行 HTTP 获取约 1000 个 URL。首先进行 HEAD 扫描（快速），然后对有希望的 URL 进行完整内容提取。通常获得 60-90 个可用文档。
4. **工作蜂提取主张。** 这是 BeHive 的亮点：
- 每个文档都被解析为原子、可验证的主张
- 每个主张在 5 个维度上评分（具体性、密度、唯一性、可验证性、结构）
- 质量低于 0.55 的主张 → 拒绝
- 薄弱主张（缺少日期/数字）→ 由 Sonnet 丰富
- 重复主张（Jaccard >0.60）→ 合并
5. **女王综合。** Claude 将验证的主张编织成具有内嵌引用的结构化报告。没有幻觉 — 每个陈述都映射到一个评分的主张。
6. **知识图谱增长。** 实体（公司、人员、产品、金额）及其关系存储在 Neo4j 中。下一个相关主题的研究任务以现有上下文开始。
---
## 配置
| 变量 | 默认值 | 描述 |
|----------|---------|-------------|
| `BEHIVE_DB_URL` | `postgresql://localhost/hive` | PostgreSQL 连接 |
| `BEHIVE_LLM` | `bedrock` | LLM 提供商：`bedrock`、`openai`、`local` |
| `BEHIVE_LLM_URL` | — | 本地 LLM 端点（用于 `local` 模式） |
| `BEHIVE_NEO4J_URI` | `bolt://localhost:7687` | Neo4j（可选） |
| `BEHIVE_QDRANT_URL` | `http://localhost:6333` | Qdrant（可选） |
| `BEHIVE_SCALE` | `30` | 默认研究规模（30-300） |
| `BEHIVE_QUALITY_GATE` | `0.55` | 存储的最小主张质量 |
| `AWS_PROFILE` | `default` | 用于 Bedrock 身份验证 |
| `OPENAI_API_KEY` | — | 用于 OpenAI 模式 |
---
## 比较
| | BeHive | GPT-Researcher | Tavily | Perplexity | STORM |
|---|:---:|:---:|:---:|:---:|:---:|
| 输出格式 | 结构化 JSON | Markdown 文本 | JSON 片段 | 文本 | Wiki 文章 |
| 按主张评分 | ✅ 0.0-1.0 | ❌ | ❌ | ❌ | ❌ |
| 知识图谱 | ✅ Neo4j | ❌ | ❌ | ❌ | ❌ |
| 跨会话内存 | ✅ 累积 | ❌ | ❌ | ❌ | ❌ |
| MCP 原生 | ✅ | ❌ | ❌ | ❌ | ❌ |
| API 来源（70+） | ✅ | ❌ 仅限网络 | ⚠️ 搜索 | ⚠️ 搜索 | ❌ 仅限网络 |
| 自托管 | ✅ 完整 | ⚠️ 需要 API 密钥 | ❌ 云 | ❌ 云 | ✅ |
| 质量去重 | ✅ Jaccard 0.60 | ❌ | ❌ | ❌ | ❌ |
| SSE 流式传输 | ✅ 实时 | ❌ | ❌ | ❌ | ❌ |
| 定价 | **免费（MIT）** | 免费（MIT） | $0.01/搜索 | $20/月+ | 免费（MIT） |
---
## 路线图
- [x] V4 管道（Haiku + Sonnet 提取）
- [x] 质量评分（平均 0.82+ 实现）
- [x] REST API（27 个端点）
- [x] MCP 服务器（可流式传输的 HTTP）
- [x] SSE 流式传输（实时进度）
- [x] 知识图谱（Neo4j）
- [x] 70+ 个 API 来源
- [x] `pip install behive`（[PyPI](https://pypi.org/project/behive/))
- [x] Docker Compose 一键安装
- [x] n8n 社区节点（[npm](https://www.npmjs.com/package/n8n-nodes-behive)）
- [x] 代理技能（Hermes、OpenClaw、Claude Desktop）
- [ ] Web UI 仪表盘
- [ ] 多租户 API 密钥
- [ ] Webhook 回调
- [ ] 调度重复研究
- [ ] PDF 导出与图表
---
## 集成
BeHive 与所有主要 AI 代理平台配合使用：
| 平台 | 方法 | 安装 |
|----------|--------|---------|
| **Claude Desktop** | MCP（零代码） | 将 URL 添加到 `claude_desktop_config.json` |
| **Cursor / Windsurf** | MCP | 在设置中添加 MCP 服务器 |
| **Hermes Agent** | MCP + 技能 | `cp integrations/hermes ~/.hermes/skills/research/behive-research` |
| **OpenClaw** | 技能 | `cp integrations/openclaw ~/.openclaw/workspace/skills/behive-research` |
| **n8n** | 社区节点 | 在设置 → 社区节点中安装 `n8n-nodes-behive` |
| **ChatGPT** | 自定义 GPT / API | README 中的 OpenAPI 规范 |
| **任意 MCP 客户端** | 可流式传输的 HTTP | URL：`http://localhost:8090/mcp` |
参见 [`integrations/`](integrations/) 获取详细设置指南。
---
## 贡献
参见 [CONTRIBUTING.md](CONTRIBUTING.md) 获取开发设置、代码风格和 PR 指南。
```bash
git clone https://github.com/qa10devteam/behive.git
cd behive
pip install -e ".[all,dev]"
pytest
```
---
## 许可证
MIT — 使用、fork、发布、出售。
---
<p align="center">
<sub>由 <a href="https://qa10.io">QA10</a> 构建 · 结构化知识，而非文本 soup。</sub>
</p>
MCP 配置
以下是此 MCP Server 的配置信息，可直接复制到 Cursor 或其他 MCP 客户端中使用。
mcp.json
连接信息
猜你喜欢
暂无推荐服务器