Gemini DeepSearch MCP - это автоматизированный исследовательский агент, который использует модели Google Gemini и Google Search для проведения глубоких многоэтапных веб-исследований. Он генерирует сложные запросы, синтезирует информацию из результатов поиска, выявляет пробелы в знаниях и дает высококачественные ответы, богатые цитатами.

Особенности

Автоматизированное многоэтапное исследование с использованием моделей Gemini и Google Search ** Интеграция FastMCP** как для HTTP API, так и для развертывания стедио ** Настраиваемые уровни усилий** (низкий, средний, высокий) для глубины исследования ** Реакции, богатые ссылками** с отслеживанием источников LangGraph-powered workflow с государственным управлением

Использование

Сервер разработки (HTTP + Studio UI) Запустите сервер разработки LangGraph с помощью Studio UI:

Локальный MCP сервер (stdio)

Запуск MCP-сервера со стиотранспортом для интеграции с MCP-клиентами:

###Тестирование Запустите тестовый пакет:

Тестирование сервера MCP stdio:

Используйте MCP инспектор

С Langsmith Tracing

API

Инструмент deep_search принимает:

• вопрос (струна): Вопрос или тема исследования для исследования
• усилие (струна): уровень исследовательской работы - “низкий”, “средний” или “высокий” Low: 1 запрос, 1 цикл, модель Flash

Gemini DeepSearch MCP

Gemini DeepSearch MCP is an automated research agent that leverages Google Gemini models and Google Search to perform deep, multi-step web research. It generates sophisticated queries, synthesizes information from search results, identifies knowledge gaps, and produces high-quality, citation-rich answers.

Features

• Automated multi-step research using Gemini models and Google Search
• FastMCP integration for both HTTP API and stdio deployment
• Configurable effort levels (low, medium, high) for research depth
• Citation-rich responses with source tracking
• LangGraph-powered workflow with state management

Usage

Development Server (HTTP + Studio UI)

Start the LangGraph development server with Studio UI:

make dev

Local MCP Server (stdio)

Start the MCP server with stdio transport for integration with MCP clients:

make local

Testing

Run the test suite:

make test

Test the MCP stdio server:

make test_mcp

Use MCP inspector

make inspect

With Langsmith tracing

GEMINI_API_KEY=AI******* LANGSMITH_API_KEY=ls******* LANGSMITH_TRACING=true make inspect

API

The deep_search tool accepts:

• query (string): The research question or topic to investigate
• effort (string): Research effort level - “low”, “medium”, or “high”
  • Low: 1 query, 1 loop, Flash model
  • Medium: 3 queries, 2 loops, Flash model
  • High: 5 queries, 3 loops, Pro model

Return Format

HTTP MCP Server (Development mode):

• answer: Comprehensive research response with citations
• sources: List of source URLs used in research

Stdio MCP Server (Claude Desktop integration):

• file_path: Path to a JSON file containing the research results

The stdio MCP server writes results to a JSON file in the system temp directory to optimize token usage. The JSON file contains the same answer and sources data as the HTTP version, but is accessed via file path rather than returned directly.

Requirements

• Python 3.12+
• GEMINI_API_KEY environment variable

Installation

Install directly using uvx:

uvx install gemini-deepsearch-mcp

Claude Desktop Integration

To use the MCP server with Claude Desktop, add this configuration to your Claude Desktop config file:

macOS

Edit ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "gemini-deepsearch": {
      "command": "uvx",
      "args": ["gemini-deepsearch-mcp"],
      "env": {
        "GEMINI_API_KEY": "your-gemini-api-key-here"
      },
      "timeout": 180000
    }
  }
}

Windows

Edit %APPDATA%/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "gemini-deepsearch": {
      "command": "uvx",
      "args": ["gemini-deepsearch-mcp"],
      "env": {
        "GEMINI_API_KEY": "your-gemini-api-key-here"
      },
      "timeout": 180000
    }
  }
}

Linux