rainbowgore-stealthee-mcp-tools

Stealthee MCP - 抢占先机的工具

Stealthee 是一个以开发者为先的系统，可在产品信号走红之前，发现尚未公开的产品动向。它专为需要竞争情报和早期威胁检测的 CTO 和技术领导者打造。 它将搜索、提取、评分和告警整合为即插即用的工作流，你可以通过 MCP 将其集成到 Claude、LangGraph、Smithery 或自己的 AI 技术栈中。

非常适用于竞争情报、技术趋势监控和战略规划。

适合以下用户：

• 需要竞争情报、早期威胁检测和创新探索，以辅助战略决策的 CTO 或技术领导者
• 寻找初步市场信号的 投资者
• 在发布前搜寻竞争对手的 创始人
• 追踪新兴市场的 研究人员
• 构建需要最新产品情报的 Agent、仪表盘或告警工具的 开发者。

有哪些亮点？

MCP 工具

工具	描述
web_search	搜索网络上的隐秘发布动向（Tavily）
url_extract	从 URL 提取内容（BeautifulSoup）
score_signal	由 AI 提供支持的信号评分（OpenAI）
batch_score_signals	批量处理多个信号
search_tech_sites	仅搜索科技新闻网站
parse_fields	从 HTML 提取结构化字段
run_pipeline	端到端检测工作流

安装与设置

前提条件

• 外部服务的 API 密钥（请参阅环境变量）

快速开始

1. 克隆并设置

   git clone https://github.com/rainbowgore/Stealthee-MCP-tools
   cd stealthee-MCP-tools
   python3 -m venv .venv
   source .venv/bin/activate
   pip install -r requirements.txt
   

2. 配置环境

   在 .env 文件中填写你的 API 密钥：

   # Required
   TAVILY_API_KEY=your_tavily_key_here
   OPENAI_API_KEY=your_openai_key_here
   NIMBLE_API_KEY=your_nimble_key_here
   
   # Optional
   SLACK_WEBHOOK_URL=your_slack_webhook_here
   

3. 启动服务

   # MCP Server (for Claude Desktop)
   python mcp_server_stdio.py
   
   # FastMCP Server (for Smithery)
   smithery dev
   
   # FastAPI Server (Optional - Legacy)
   python start_fastapi.py
   

Smithery 和 Claude Desktop 集成

Smithery 开箱即用地提供了以上所有 MCP 工具，详见 Smithery。Smithery 是一款面向 AI 工具的可视化 Agent 和工作流构建器，让你无需编写代码即可串联、测试和编排这些工具。

可用工具

• web_search：使用 Tavily 搜索网络上的隐秘发布动向。
• url_extract：从任意 URL 提取并清理内容。
• score_signal：使用 OpenAI 对单个信号进行隐秘程度评分。
• batch_score_signals：一次性为多个信号评分。
• search_tech_sites：仅搜索可信的科技新闻来源。
• parse_fields：从 HTML 提取结构化字段（如定价、更新日志）。
• run_pipeline：端到端工作流：搜索、提取、解析、评分并存储。

如何在 Smithery 中使用

1. 打开 Smithery 上的 Stealthee MCP Tools 页面。
2. 点击“Try in Playground”以交互方式测试任意工具。
3. 使用可视化工作流构建器将工具串联起来（例如：搜索 → 提取 → 评分）。
4. 通过复制工作流或使用 Smithery 提供的 API 端点，将其集成到 Claude Desktop 或你自己的 Agent 中。

Cursor（Stealth Radar MCP）

通过托管 URL（Streamable HTTP）在 Cursor 中使用 Stealth Radar MCP：

1. 打开 Cursor Settings → MCP（或在设置中搜索“MCP”）。
2. 在 Install MCP Server 下填写：
   • Name： Stealth Radar（或任意名称）。
   • Type： streamableHttp。
   • URL： 使用以下任一选项：
     • Smithery： 服务器 Smithery Connect 页面上的连接 URL（例如 https://smithery.ai/server/rainbowgore/Product-Stealth-Launch-Radar），或
     • Direct： 服务器的 MCP 端点，例如 https://your-ngrok-url.ngrok-free.app/mcp（必须以 /mcp 结尾）。
3. 点击 Install。Cursor 将连接到服务；添加后，每当你使用 Cursor 时，它都会自动加载。

如果在本地运行服务，请改用 stdio：将 Type 设为 stdio，将 Command 设为 Python 路径，并将 Args 设为 mcp_server_stdio.py，同时让 cwd 指向代码仓库。

Claude Desktop 集成

将以下内容添加到 Claude Desktop 的 config.json 文件中：

{
  "mcpServers": {
    "stealth-mcp": {
      "command": "/path/to/stealthee-MCP-tools/.venv/bin/python",
      "args": ["/path/to/stealthee-MCP-tools/mcp_server_stdio.py"],
      "cwd": "/path/to/stealthee-MCP-tools",
      "env": {
        "TAVILY_API_KEY": "your_tavily_key",
        "OPENAI_API_KEY": "your_openai_key"
      }
    }
  }
}

工具使用场景

适用于分析师和构建者：

• web_search：查找网络上对隐身产品的提及
• url_extract：从落地页提取并清理原始文本
• score_signal：判断变更日志暗示产品发布的可能性
• batch_score_signals：快速筛查数十个抓取到的 URL
• search_tech_sites：将查询限制在可信域名内
• parse_fields：从杂乱的 HTML 中提取定价／发布信息
• run_pipeline：完整工作流——搜索 → 提取 → 解析 → 评分

信号情报工作流

1. 搜索阶段： 使用 web_search 或 search_tech_sites 查找相关 URL
2. 提取阶段： 使用 url_extract 从 URL 获取干净的内容
3. 解析阶段： 使用 parse_fields 提取结构化数据（定价、变更日志等）
4. 分析阶段： 使用 score_signal 或 batch_score_signals 进行 AI 驱动的分析
5. 存储阶段： 所有信号都存储在 SQLite 数据库中
6. 警报阶段： 高置信度信号会触发 Slack 通知

FastAPI 服务

你也可以将此项目作为 FastAPI 服务运行，以 REST 风格访问所有 MCP 工具。

基础端点

• Swagger UI：http://localhost:8000/docs
• 健康检查：http://localhost:8000/health
• 工具清单：http://localhost:8000/tools

---

使用示例

搜索隐身发布：

curl -X POST "http://localhost:8000/tools/web_search" \
  -H "Content-Type: application/json" \
  -d '{"query": "stealth startup AI", "num_results": 5}'

运行完整检测工作流：

curl -X POST "http://localhost:8000/tools/run_pipeline" \
  -H "Content-Type: application/json" \
  -d '{"query": "new AI product launch", "num_results": 3}'

工作流参数

• query（必填）：搜索短语（例如“AI roadmap”）
• num_results（可选，默认值：5）：要分析的搜索结果数量
• target_fields（可选，默认值：["pricing", "changelog"]）：要从 HTML 中提取的字段

---

run_pipeline 的功能

1. 使用 Tavily 搜索科技类和支持隐身发布的来源
2. 从每条结果中提取原始内容
3. 解析结构化信号（定价、变更日志等）
4. 使用 OpenAI 为每条结果评分，以估算其隐身程度
5. 将结果存储在本地 SQLite 中
6. 如果置信度较高，则通过 Slack 发送通知

AI 评分逻辑

score_signal 和 batch_score_signals 工具使用 GPT-3.5 评估：

• 隐身指标（例如，私有变更日志、缺少新闻稿、Beta 标记）
• 置信度（低／中／高）
• 文本推理（用于 UI 或警报）

数据库架构（data/signals.db）

字段	类型	描述
id	INTEGER	主键
url	TEXT	来源 URL
title	TEXT	信号标题
html_excerpt	TEXT	内容的前 500 个字符
changelog	TEXT	解析后的变更日志（可选）
pricing	TEXT	解析后的定价信息（可选）
score	REAL	隐蔽可能性（0–1）
confidence	TEXT	置信度级别
reasoning	TEXT	AI 对评分的解释
created_at	TEXT	ISO 时间戳

开发快速入门（FastAPI）

python start_fastapi.py

然后访问：http://localhost:8000/docs

---

用 💜 构建，献给那些能发现他人忽略之处的人。