So verwenden Sie den Google Search Console MCP-Server

KI war eine Notwendigkeit, um Arbeitsabläufe zu optimieren und tiefere Einblicke zu gewinnen. Model Context Protocol (MCP)-Server stehen an vorderster Front und fungieren als Brücken, die es KI-gestützten Tools ermöglichen, direkt mit Ihren wichtigen Datenquellen zu interagieren.

Heute werden wir uns damit befassen, wie man den Google Search Console MCP Server einrichtet – eine beliebte Wahl für Analyse- und SEO-Daten – und dann den Apidog MCP Server vorstellen, eine leistungsstarke All-in-One-Lösung, die entwickelt wurde, um Ihren API-Entwicklungsworkflow zu verbessern.

button

Was ist der Google Search Console MCP Server?

Der Google Search Console MCP Server fungiert als Brücke zwischen der Google Search Console und KI-gestützten IDEs. Wenn Sie die Suchanalysedaten Ihrer Website für KI verfügbar machen, ermöglicht dies intelligenteres, datengesteuertes Codieren und Reporting.

Hauptmerkmale

Abrufen von Suchanalysedaten mit Unterstützung für benutzerdefinierte Dimensionen
Umfassende Datenanalyse mit flexiblen Berichtszeiträumen
Integration mit Claude Desktop und anderen KI-Clients

So richten Sie den Google Search Console MCP Server ein

Das Einrichten des Google Search Console MCP Servers umfasst mehrere Schritte. Hier ist eine Schritt-für-Schritt-Anleitung:

Voraussetzungen

Bevor Sie beginnen, stellen Sie sicher, dass Sie Folgendes haben:

Node.js 18 oder höher
Ein Google Cloud-Projekt mit aktivierter Search Console API
Service-Account-Anmeldeinformationen mit Search Console-Zugriff

1. Installieren Sie den MCP Server

Sie können den Server automatisch über Smithery oder manuell mit npm installieren.

Über Smithery:

npx -y @smithery/cli install mcp-server-gsc --client claude

Manuelle Installation:

npm install mcp-server-gsc

2. Richten Sie Google Cloud-Anmeldeinformationen ein

Gehen Sie zur Google Cloud Console.

Erstellen Sie ein neues Projekt oder wählen Sie ein bestehendes aus

Aktivieren Sie die Search Console API:

Navigieren Sie zu „APIs & Dienste“ > „Bibliothek“
Suchen Sie nach „Search Console API“ und aktivieren Sie sie

Erstellen Sie Anmeldeinformationen:

Gehen Sie zu „APIs & Dienste“ > „Anmeldeinformationen“
Klicken Sie auf „Anmeldeinformationen erstellen“ > „Service Account“
Füllen Sie die Details aus und erstellen Sie einen neuen Schlüssel im JSON-Format
Laden Sie die Anmeldeinformationsdatei herunter

Zugriff gewähren:

Öffnen Sie die Google Search Console
Fügen Sie die E-Mail-Adresse des Service Accounts als Property-Administrator hinzu

3. Konfigurieren Sie den MCP Server in Ihrem KI-Client

Für Claude Desktop oder ähnliche Tools fügen Sie die folgende Konfiguration hinzu:

{
  "mcpServers": {
    "gsc": {
      "command": "npx",
      "args": ["-y", "mcp-server-gsc"],
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/credentials.json"
      }
    }
  }
}

4. Abfragen von Suchanalysedaten

Sie können jetzt das Tool search_analytics verwenden, um Daten abzurufen. Beispielparameter:

{
  "siteUrl": "https://example.com",
  "startDate": "2024-01-01",
  "endDate": "2024-01-31",
  "dimensions": "query,country",
  "type": "web",
  "rowLimit": 500
}

Erforderliche und optionale Parameter

Parameter	Erforderlich	Beschreibung
siteUrl	Ja	Site-URL (z. B. https://example.com)
startDate	Ja	Startdatum (JJJJ-MM-TT)
endDate	Ja	Enddatum (JJJJ-MM-TT)
dimensions	Nein	Durch Kommas getrennt (query, page, country usw.)
type	Nein	Suchtyp (web, image, video, news)
rowLimit	Nein	Maximale Zeilen, die zurückgegeben werden sollen (Standard: 1000)

Beispiel-KI-Prompt:

@gsc use the search_analytics tool for siteUrl 'https://example.com', startDate '2024-04-01', endDate '2024-04-30', with dimensions 'query,page' and a rowLimit of 10. Show me the top queries and pages.

Diese Einrichtung ermöglicht es Ihrem KI-Assistenten, ein leistungsstarker SEO-Analyst zu werden, der datengestützte Erkenntnisse für eine bessere Entwicklung liefert.

Optimierung der API-Entwicklung: Der Apidog MCP Server

Während sich der Google Search Console MCP Server auf Webanalysen konzentriert, wurde der Apidog MCP Server speziell entwickelt, um die KI-gestützte API-Entwicklung zu verbessern. Er ermöglicht es Ihrem KI-Codierungsassistenten, Ihre API-Spezifikationen direkt zu verstehen und mit ihnen zu interagieren, wodurch Aufgaben wie Codegenerierung, Dokumentation und Tests drastisch beschleunigt werden.

button

Was macht den Apidog MCP Server einzigartig?

Verbinden Sie jede API-Spezifikation mit KI: Nicht nur Analysen – verbinden Sie Ihre REST-, OpenAPI- oder Apidog-Projektspezifikationen direkt mit KI.
Steigern Sie die Produktivität: Lassen Sie KI Code basierend auf realen API-Spezifikationen generieren, aktualisieren und dokumentieren.
Verbessern Sie die Codequalität: KI-Vorschläge basieren auf Ihrer tatsächlichen API, wodurch Fehler reduziert und die Wartbarkeit verbessert werden.
Funktioniert mit mehreren IDEs: Integrieren Sie sich in Cursor, VS Code (mit Cline) und mehr.
Kostenlos: Keine Kosten, kein Vendor Lock-in.

Hauptmerkmale

Lokales Caching: API-Spezifikationen werden lokal zwischengespeichert, um Geschwindigkeit und Datenschutz zu gewährleisten.
Mehrere Datenquellen: Verbinden Sie sich mit Apidog-Projekten, öffentlichen API-Dokumenten oder Swagger/OpenAPI-Dateien.
Flexible Konfiguration: Unterstützt On-Premise-Bereitstellungen und benutzerdefinierte Umgebungen.

So richten Sie den Apidog MCP Server ein: Schritt-für-Schritt-Anleitung

Das Einrichten des Apidog MCP Servers umfasst ein paar einfache Schritte.

button

Voraussetzungen

1. Node.js: Version 18 oder höher (neueste LTS empfohlen).

2. MCP-kompatible IDE:

Cursor
VS Code mit dem Cline-Plugin

Konfiguration basierend auf Ihrer Datenquelle

Der Apidog MCP Server bietet Flexibilität, indem er verschiedene API-Spezifikationsquellen unterstützt:

1. Verwenden eines Apidog-Projekts als Datenquelle

Dies ist ideal für Teams, die ihre APIs innerhalb von Apidog verwalten.

API-Zugriffstoken und Projekt-ID abrufen:

API-Zugriffstoken: Gehen Sie in Apidog zu Kontoeinstellungen (über Profilbild) > API-Zugriffstoken. Erstellen Sie ein neues Token und kopieren Sie es.

Projekt-ID: Öffnen Sie Ihr Zielprojekt in Apidog. Gehen Sie zu Projekteinstellungen (linke Seitenleiste) > Grundeinstellungen. Kopieren Sie die Projekt-ID.

Konfigurieren in Cursor (Beispiel):

Öffnen Sie in Cursor die MCP-Einstellungen (Symbol „Einstellungen“ > MCP > „+ Neuen globalen MCP-Server hinzufügen“).

Fügen Sie die Konfiguration in mcp.json ein und ersetzen Sie die Platzhalter:

Für macOS/Linux:

{
 "mcpServers": {
   "MyApidogAPI": { // Sie können dies beschreibend benennen
     "command": "npx",
     "args": [
       "-y",
       "apidog-mcp-server@latest",
       "--project=<your-project-id>"
     ],
     "env": {
       "APIDOG_ACCESS_TOKEN": "<your-access-token>"
     }
   }
 }
}

Für Windows:

{
 "mcpServers": {
   "MyApidogAPI": {
     "command": "cmd",
     "args": [
       "/c",
       "npx",
       "-y",
       "apidog-mcp-server@latest",
       "--project=<your-project-id>"
     ],
     "env": {
       "APIDOG_ACCESS_TOKEN": "<your-access-token>"
     }
   }
 }
}

2. Verwenden der von Apidog veröffentlichten Online-API-Dokumentation

Nützlich für öffentliche APIs oder zum Teilen von Spezifikationen mit externen Entwicklern über KI.

Dokumentations-URL abrufen: Rufen Sie die URL der öffentlich freigegebenen Apidog-Dokumentation ab.

Konfigurieren in Cursor (Beispiel):

Für macOS/Linux:

{
  "mcpServers": {
    "apidog-site-123456": {
      "command": "npx",
      "args": [
        "-y",
        "apidog-mcp-server@latest",
        "--site-id=123456"
      ]
    }
  }
}

Für Windows:

{
  "mcpServers": {
    "apidog-site-123456": {
      "command": "cmd",
      "args": [
        "/c",
        "npx",
        "-y",
        "apidog-mcp-server@latest",
        "--site-id=123456"
      ]
    }
  }
}

3. Verwenden von Swagger/OpenAPI-Dateien als Datenquelle

Perfekt für die Arbeit mit lokalen OpenAPI/Swagger-Dateien oder solchen, die online gehostet werden.

Dateipfad/URL: Identifizieren Sie den lokalen Pfad oder die direkte URL zu Ihrer Datei swagger.json, openapi.json oder openapi.yaml.

Konfigurieren in Cursor (Beispiel):

Für macOS/Linux:

{
  "mcpServers": {
    "API specification": {
      "command": "npx",
      "args": [
        "-y",
        "apidog-mcp-server@latest",
        "--oas=https://petstore.swagger.io/v2/swagger.json"
      ]
    }
  }
}

Für Windows:

{
  "mcpServers": {
    "API specification": {
      "command": "cmd",
      "args": [
        "/c",
        "npx",
        "-y",
        "apidog-mcp-server@latest",
        "--oas=https://petstore.swagger.io/v2/swagger.json"
      ]
    }
  }
}

Überprüfen Sie die Konfiguration

Testen Sie nach der Einrichtung die Verbindung, indem Sie Ihren KI-Assistenten im Agent-Modus auffordern. Zum Beispiel:

@MyApidogAPI please fetch the API specification and tell me how many endpoints exist in the project.

Wenn die KI mit Informationen aus Ihrer API-Spezifikation antwortet, ist die Einrichtung erfolgreich. Denken Sie daran, dass API-Daten lokal zwischengespeichert werden. Wenn Sie Ihre Spezifikationen in Apidog aktualisieren, weisen Sie die KI an, ihren Kontext zu aktualisieren, um die neuesten Änderungen abzurufen.

Fazit

Die Integration von KI in Ihren Entwicklungsworkflow ist kein Luxus mehr – sie ist ein Game Changer. Durch die Einrichtung von MCP-Servern wie Google Search Console und Apidog MCP ermöglichen Sie Ihren KI-Assistenten, direkt mit kritischen Datensätzen zu interagieren, wodurch erweiterte Anwendungsfälle in der SEO-Analyse und API-Entwicklung freigeschaltet werden.

button