MCP 插件LINUX DO · MCP·2026/3/8

分享GrokSearch MCP插件本地配置方法

原标题：关于孙大佬的GrokSearch at grok-with-tavily，这里提供一个本地配置的方法，以免本机使用连不上github（可能有人和我一样懒得配代理吧）

速览

本文分享了GrokSearch MCP插件的本地配置方法，旨在解决用户因网络问题无法连接GitHub的困扰。教程提供了适用于Claude Code、Codex等工具的JSON配置示例及Cherry Studio的配置参数。用户只需替换API Key和模型路径即可本地运行，支持Grok与Tavily搜索功能。

AI 深度解读

背景

随着大语言模型（LLM）能力的不断进化，AI 工具从单纯的对话助手向具备自主行动能力的智能体（Agent）演进。MCP（Model Context Protocol）作为连接 AI 模型与外部数据源、工具的标准协议，极大地降低了开发者构建定制化 AI 工作流的门槛。

在此背景下，GitHub 上出现了一个名为 GrokSearch 的 MCP 插件项目，由开发者“孙大佬”维护。该项目结合了 xAI 的 Grok 模型与 Tavily 搜索 API，旨在为 AI 提供实时互联网搜索能力。然而，对于国内用户而言，直接访问 GitHub 获取代码或配置代理环境存在网络障碍。本文分享了一种基于本地配置的替代方案，允许用户通过 uvx 工具链在本地运行该插件，从而绕过网络限制，实现 Claude Code、Codex、Gemini 等主流 AI 开发工具与 Grok 搜索能力的无缝集成。

核心内容

该分享主要提供了 GrokSearch MCP 插件在本地环境下的两种具体配置方法，分别针对通用的 MCP 客户端（如 Claude Code、Codex、Gemini、OpenCode）以及 Cherry Studio。

1. 前置准备

用户需要首先获取插件源码。由于原文提及避免连接 GitHub 的困难，建议用户在本地合适的目录下克隆 GrokSearch 仓库，并记录下该项目的绝对路径。

2. 通用 MCP 客户端配置

对于支持标准 MCP JSON 配置的客户端（包括 Claude Code、Codex、Gemini 等），可以通过以下 JSON 结构进行配置。该配置利用了 uvx 命令来运行 Python 包，实现了无需复杂虚拟环境管理的便捷部署。

配置示例：

{
  "args": [
    "--from",
    "你clone的绝对目录/GrokSearch",
    "grok-search"
  ],
  "command": "uvx",
  "env": {
    "GROK_API_KEY": "你的key",
    "GROK_API_URL": "你的来源/v1",
    "GROK_MODEL": "grok-4.1-fast（自己调整）",
    "TAVILY_API_KEY": "你的key",
    "TAVILY_API_URL": "https://api.tavily.com"
  },
  "type": "stdio"
}

配置解析：

command: 使用 uvx，这是 Python 包管理工具 uv 的一部分，用于快速执行 Python 脚本或包。
args: 指定 --from 参数指向本地克隆的 GrokSearch 目录，并指定入口点为 grok-search。
env: 注入必要的环境变量。
- GROK_API_KEY 和 GROK_API_URL：用于连接 Grok 模型服务。GROK_API_URL 需替换为实际的 API 端点（通常为 /v1 结尾）。
- TAVILY_API_KEY 和 TAVILY_API_URL：用于连接 Tavily 搜索 API，提供实时网页搜索能力。
- GROK_MODEL：指定使用的具体模型版本，示例中为 grok-4.1-fast，用户可根据实际需求调整。

3. Cherry Studio 配置

Cherry Studio 是一款支持多模型集成的桌面客户端，其配置方式略有不同，采用键值对形式列出参数和环境变量。

配置参数：

传输类型: stdio
命令: uvx
参数列表:
- --from
- 同上，绝对目录/GrokSearch
- grok-search

环境变量：

GROK_API_URL: 你的来源站点/v1
GROK_API_KEY: 你的key
TAVILY_API_KEY: 你的key
FIRECRAWL_API_KEY: 你的key
GROK_MODEL: grok-4.1-fast（自行选择）

注意： Cherry Studio 的配置中额外提到了 FIRECRAWL_API_KEY，这表明该插件或配置可能也支持通过 Firecrawl 进行网页内容抓取，作为搜索能力的补充。

关键要点

本地化部署绕过网络限制：通过 uvx 和 --from 参数，用户可以直接从本地文件系统加载 GrokSearch 插件，无需在每次运行时从 GitHub 拉取代码，有效解决了国内网络连接 GitHub 不稳定或需要配置代理的问题。
标准化 MCP 协议应用：配置严格遵循 MCP 的 stdio 传输协议，确保了与 Claude Code、Codex、Gemini 等主流 AI 开发工具的兼容性。
双引擎搜索能力：插件集成了 Tavily 和 Firecrawl 两种数据源。Tavily 专注于结构化搜索结果，而 Firecrawl 擅长将网页内容转换为 LLM 友好的格式，两者结合提升了搜索的广度和深度。
灵活的模型配置：用户可自定义 GROK_API_URL 和 GROK_MODEL，这意味着该配置不仅适用于 xAI 官方 API，也可能兼容任何遵循 OpenAI 兼容接口的 Grok 代理或服务端点。
环境变量管理：所有敏感信息（API Keys）均通过环境变量注入，符合安全最佳实践，避免将密钥硬编码在配置文件中。

意义与影响

这一配置方法为国内 AI 开发者提供了一条高效、低门槛的路径，将先进的 MCP 插件生态引入本地工作流。

降低技术门槛：uvx 的使用简化了 Python 依赖管理，使得非专业开发者也能轻松运行复杂的 MCP 插件。
增强 AI 实用性：通过集成 Grok 模型和 Tavily/Firecrawl 搜索，AI 工具获得了实时获取互联网信息的能力，显著提升了回答的时效性和准确性，解决了大模型“知识截止”和“幻觉”问题。
促进 MCP 生态普及：详细的配置示例有助于更多用户理解和使用 MCP 协议，推动 AI 工具链向标准化、模块化方向发展。
本地化优化实践：针对网络环境的本地化配置方案，体现了开发者对实际使用痛点的敏锐洞察，为类似场景下的工具部署提供了有价值的参考范式。

查看原文 →linux.do