O que gsearch-mcp faz?
Permite que ferramentas de IA tenham acesso a pesquisas no Google em tempo real via MCP, em um único binário Go sem dependências de runtime.
Permite que ferramentas de IA tenham acesso a pesquisas no Google em tempo real via MCP, em um único binário Go sem dependências de runtime.
O gsearch-mcp é uma skill que integra ferramentas de IA (como assistentes baseados em MCP) com o poder de pesquisa em tempo real do Google. Ela funciona como um servidor MCP (Model Context Protocol) que encapsula a API de Pesquisa Personalizada do Google, permitindo que agentes de IA realizem consultas na web de forma estruturada e obtenham resultados atualizados diretamente em sua interface. Essa skill é especialmente útil para aplicações que precisam de informações dinâmicas e precisas da web, como busca de notícias, fatos recentes ou dados contextuais. O principal diferencial é sua implementação em Go, resultando em um binário único e portátil, sem dependências externas de runtime, o que facilita a implantação em ambientes variados. Suporta plataformas que adotam o protocolo MCP, como Claude Desktop, Cursor e Codex, e exige apenas a configuração de uma chave de API do Google Custom Search. O funcionamento é simples: o agente envia uma consulta textual para o servidor MCP, que a traduz em uma chamada HTTP para a API do Google, retornando os resultados como uma resposta formatada.
npx skills add alanecolourless776/gsearch-mcpInstalled? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Permite que ferramentas de IA tenham acesso a pesquisas no Google em tempo real via MCP, em um único binário Go sem dependências de runtime.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.