虎哥搜索MCP：基于谷歌AI搜索实现深度追问

背景

随着大语言模型（LLM）在编程和日常任务中的应用日益深入，开发者对 AI 辅助能力的期望已从简单的对话转向更精准的信息获取与决策支持。目前，模型上下文协议（MCP）和各类 Skill 成为扩展 AI 能力的主流方案，但其底层逻辑大多局限于“预训练信息 + 额外上下文注入”。

在实际应用中，这种传统模式暴露出两个显著痛点：

1. Token 消耗巨大：将大量搜索结果直接塞入上下文窗口，导致 Token 成本飙升。
2. 信息提炼效果差：基于关键词的搜索类 MCP 通常只能抓取主流网站的公开内容，本地 AI 缺乏足够的推理能力去伪存真，导致最终输出泛泛而谈，难以解决深层技术问题。

在此背景下，一种基于“外部 AI 预处理”的新思路应运而生，旨在通过利用 Google 的搜索与 AI 处理能力，实现更高效、更精准的信息获取。

核心内容

本文介绍了一款名为 huge-ai-search 的 MCP 工具，其核心设计理念是改变信息处理的路径，从“本地 AI 搜索并处理”转变为“Google 搜索并 AI 处理，本地 AI 直接获取结果”。

1. 架构革新：从“搜”到“问”

传统搜索 MCP 的工作流是：本地 AI -> 生成关键词 -> 搜索 -> 本地 AI 处理冗长结果。 huge-ai-search 的工作流则是：本地 AI -> 发起搜索 -> Google AI 处理并提炼 -> 本地 AI 获得精炼答案。

这种模式的优势在于：

• 节省 Token：Google AI 在返回结果前已完成信息提炼，无需将原始网页内容传输给本地模型。
• 精准度提升：依托 Google 强大的搜索质量，获取的信息更具权威性。
• 深度追问机制：这是该工具的核心竞争力。它不仅仅是一次性搜索，而是支持基于 session_id 的多轮深度追问，允许 AI 针对初次获取的信息进行场景化、避坑指南及最佳实践层面的深入挖掘。

2. 技术实现与环境要求

该工具依赖于本地浏览器环境来维持 Google 账号的登录状态，从而调用 Google 的搜索服务。

• 浏览器选择：强烈建议使用 Edge 浏览器而非 Chrome。测试表明，Chrome 容易出现进程锁定（后台进程卡死）、Session 无法保持导致追问失效等问题。Edge 基于 Chromium 内核，但在 Windows 环境下稳定性更佳，且系统自带，无需额外安装。
• 前置条件：需安装 Edge 浏览器，并确保网络环境能正常访问 Google。

3. 配置与安装

该 MCP 支持 Cursor、Claude Code 等主流 AI 编程助手。

Cursor 配置示例：

• macOS / Linux:

  {
    "mcpServers": {
      "huge-ai-search": {
        "command": "npx",
        "args": ["-y", "huge-ai-search@latest"]
      }
    }
  }
  

• Windows:

  {
    "mcpServers": {
      "huge-ai-search": {
        "command": "cmd",
        "args": ["/c", "npx", "-y", "huge-ai-search@latest"]
      }
    }
  }
  

Claude Code 配置示例：

• macOS / Linux: claude mcp add huge-ai-search -- npx -y huge-ai-search@latest
• Windows (PowerShell): claude mcp add-json huge-ai-search -s user '{"command":"cmd", "args":["/c", "npx", "-y", "huge-ai-search@latest"]}'

首次使用初始化： 首次运行时需登录 Google 账号以获取凭证。执行以下命令弹出 Edge 窗口进行登录： npx -p huge-ai-search huge-ai-search-setup 登录并关闭浏览器后，状态将被保存，后续无需重复操作。

4. 工作流与提示词工程

为了最大化该 MCP 的价值，作者提供了一套详细的提示词规则（Rules/Steering），旨在培养 AI “先搜后做”的习惯。

核心原则：

• 搜而不追，等于白搜：单次搜索仅能获取基本信息，必须通过多轮追问挖掘深度内容。
• 硬性规则：每次代码修改前必须调用 mcp_huge_ai_search_search，且至少追问 2-3 次。

标准追问流程：

1. 初次搜索：询问核心概念和常见用法，获取 session_id。
2. 场景化追问：结合具体业务场景，询问具体实施方案。
3. 避坑追问：询问常见错误、反模式及潜在风险。
4. 最佳实践追问：询问行业推荐的解决方案。

特定场景策略：

• Bug 修复（捉虫三步）：
  1. 搜：搜索错误信息及常见解决方案。
  2. 查：查看日志文件定位根因。
  3. 解：结合搜索结果与日志进行修复。
• 常规开发（四式）：
  1. 辨：判断任务性质，决定是否需要搜索。
  2. 避：搜索常见错误与反模式。
  3. 记：总结警示点。
  4. 行：基于已知风险进行开发。

关键要点

• 效率与成本优化：通过利用 Google AI 进行前置信息提炼，显著降低了本地模型的 Token 消耗，同时提高了信息的准确性和深度。
• 深度追问是关键：该 MCP 的价值不在于单次搜索，而在于基于 session_id 的多轮对话能力。只有经过“场景化”、“避坑”、“最佳实践”等多维度追问，才能获得高质量的技术洞察。
• 环境稳定性依赖：推荐使用 Edge 浏览器以确保持久化登录和 Session 稳定，避免 Chrome 可能出现的进程卡死和追问失效问题。
• 强制性的工作流规范：通过编写严格的 Rules 文件（如 Cursor 的 rules 或 Kiro 的 steering），强制 AI 在代码修改、Bug 修复、架构设计等关键节点执行“搜索-追问-决策”流程，避免 AI 盲目生成代码。
• 适用场景明确：
  • 必须搜索：代码修改、Bug 修复、新功能添加、重构、错误排查、性能优化、架构设计、技术选型。
  • 可跳过：纯文档修改、简单配置修改、用户明确指示“直接做”、简单文件操作。

意义与影响

huge-ai-search 的出现代表了 AI 辅助开发工具从“信息检索”向“智能代理”演进的一个重要方向。

1. 重新定义搜索 MCP 的价值：它打破了传统 MCP 仅作为“搜索引擎封装”的局限，通过引入外部 AI 处理能力，解决了本地模型在处理海量搜索碎片信息时的能力瓶颈。
2. 提升代码质量与安全性：通过强制性的“避坑”和“最佳实践”追问机制，AI 在编码前能更充分地识别潜在风险，从而减少因知识盲区导致的低级错误或架构缺陷。
3. 降低开发者的认知负荷：开发者无需手动筛选搜索结果或验证 AI 提供的信息准确性，AI 助手通过深度追问自动完成了信息过滤与验证过程，使开发者能更专注于核心逻辑实现。
4. 推动 AI 工作流标准化：文中提供的详细提示词规则为其他开发者提供了可复用的最佳实践模板，有助于在团队内部建立更规范、更高效的 AI 辅助开发流程。

该项目由开发者 wangwingzero 发布在 GitHub，旨在通过开源协作进一步优化这一高效的信息获取与工作流方案。