MCP

支持远程 MCP 服务器的 Agent 可以直接把搜索、内容和研究作为工具调用，无需安装。服务器位于 API 地址的 /v1/mcp，使用 Streamable HTTP，以 Bearer 方式携带 API 密钥。

命令行 Agent

先在终端中设置 AREX_API_KEY，再用对应 Agent 的命令添加服务器。Claude Code 和 Kimi Code 会在执行命令时把密钥写入各自的配置。

codex mcp add arex --url https://api.arex-research.com/v1/mcp \
  --bearer-token-env-var AREX_API_KEY

其他客户端

通过 JSON 配置的客户端使用以下配置，例如 ZCode（设置 → MCP 服务器 → 完整配置）或 WorkBuddy（~/.workbuddy/mcp.json）。把 YOUR_API_KEY 换成你的密钥。

mcp.json

{
  "mcpServers": {
    "arex": {
      "type": "http",
      "url": "https://api.arex-research.com/v1/mcp",
      "headers": { "Authorization": "Bearer YOUR_API_KEY" }
    }
  }
}

Agent 框架

Pi SDK、LangGraph 等框架可以直接从服务器加载工具。

LangGraph

import asyncio
import os
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent

async def main():
    client = MultiServerMCPClient({
        "arex": {
            "transport": "streamable_http",
            "url": "https://api.arex-research.com/v1/mcp",
            "headers": {"Authorization": f"Bearer {os.environ['AREX_API_KEY']}"},
        }
    })
    tools = await client.get_tools()
    agent = create_react_agent("openai:gpt-4.1", tools=tools)
    result = await agent.ainvoke({
        "messages": [{"role": "user", "content": "Find recent research on agent evaluation."}]
    })
    print(result["messages"][-1].content)

asyncio.run(main())

工具

每个工具的参数与对应 API 的请求字段相同。

工具	API 操作
arex_search	POST /v1/search
arex_contents	POST /v1/contents
arex_research	POST /v1/research

结果与错误

工具返回 API 的 JSON 响应。调用失败时返回工具错误，内容是 API 的 error 对象。限流与 API 相同。arex_research 会等到 Run 结束再返回。

MCP