摘要： 本文将手把手教你如何在本地环境中部署 Firecrawl MCP 服务器。Firecrawl 是一个强大的网络抓取和数据提取工具，可将任何网站转换为大语言模型（LLM）可用的 Markdown 或结构化数据。通过部署其 MCP（Model Context Protocol）服务器，你可以为本地或私有的 AI 应用提供强大的网页数据访问能力。本教程将涵盖所有必要步骤，从环境准备到最终的部署验证，让你轻松掌握 FirecrawlMCP 的本地化部署。

---

1. Firecrawl 与 MCP 简介

在开始部署之前，让我们先简单了解一下什么是 Firecrawl 和 MCP。

• Firecrawl：它是一个 API 服务，能够抓取、爬取和提取网站内容，并将其转换为干净、结构化的 Markdown 格式。这对于需要将网页内容作为上下文提供给大型语言模型（如 RAG - 检索增强生成）的应用场景非常有用。
• MCP (Model Context Protocol)：可以理解为 AI 模型与外部工具及数据源之间进行通信的一种标准化协议。它允许 AI 模型（如 Claude、Cursor 等）以一种统一的方式请求和接收来自不同服务的数据。FirecrawlMCP Server 就是一个实现了该协议的服务器，它将 Firecrawl 的网页抓取能力作为一种“工具”提供给支持 MCP 的 AI 应用。

通过在本地部署 FirecrawlMCP，你可以实现：

• 数据隐私与安全：所有数据处理都在你的本地环境中完成，无需担心数据泄露。
• 节约成本：在本地环境中进行测试和开发，无需支付云服务费用。
• 更高的灵活性：可以根据自身需求进行定制化配置。

2. 环境准备与前提条件

在开始部署之前，请确保你的系统满足以下要求：

• Docker: 本教程将使用 Docker 进行部署，这是最简单、最推荐的方式。请确保你已经安装并成功运行了 Docker 和 Docker Compose。
  • Docker 官方安装指南
• Git: 你需要 Git 来克隆项目代码仓库。
  • Git 官方网站
• Node.js (可选): 如果你想查看或修改源代码，建议安装 Node.js (v18.0.0 或更高版本)。
• 一个代码编辑器: 例如 Visual Studio Code。

3. 部署步骤详解

步骤一：克隆 Firecrawl MCP 服务器代码库

首先，打开你的终端或命令行工具，使用 Git 克隆 firecrawl-mcp-server 的官方代码仓库。

Bash

git clone https://github.com/mendableai/firecrawl-mcp-server.git

然后，进入项目目录：

Bash

cd firecrawl-mcp-server

步骤二：配置环境变量

FirecrawlMCP 服务器的配置是通过环境变量来完成的。项目提供了一个环境变量模板文件 .env.example。我们需要复制这个文件并重命名为 .env，然后根据需要进行修改。

在 firecrawl-mcp-server 目录下，执行以下命令：

Bash

cp .env.example .env

接下来，使用你的代码编辑器打开 .env 文件。以下是一些关键的配置项说明：

Code snippet

# 服务器运行的端口，默认为 3000
PORT=3000

# Firecrawl API 的地址。
# 如果你同时在本地部署了 Firecrawl 的主服务，这里需要指向你的本地 Firecrawl API 地址。
# 如果你只是部署 MCP 服务器并希望它使用 Firecrawl 的官方云服务（有免费额度），则无需修改此项。
# 本教程假设我们使用官方云服务。
FIRECRAWL_API_URL=https://api.firecrawl.dev

# 你的 Firecrawl API 密钥。
# 你需要访问 https://www.firecrawl.dev/ 注册并获取一个免费的 API Key。
FIRECRAWL_API_KEY=YOUR_FIRECRAWL_API_KEY

# 日志级别，例如 'info', 'debug'
LOG_LEVEL=info

重要提示：请务必将 YOUR_FIRECRAWL_API_KEY 替换为你自己的 Firecrawl API 密钥。

对于只想快速在本地运行 MCP 服务器的用户来说，通常只需要配置 FIRECRAWL_API_KEY 即可。

步骤三：使用 Docker Compose 启动服务

项目已经为我们准备好了 docker-compose.yml 文件，这使得启动服务变得异常简单。

在 firecrawl-mcp-server 目录下，确保你的 Docker 守护进程正在运行，然后执行以下命令：

Bash

docker-compose up -d

参数 -d 表示在后台（detached mode）运行容器。

Docker 将会自动拉取所需的镜像并构建容器。当命令执行完毕后，FirecrawlMCP 服务器就已经在你的本地成功运行了！

步骤四：验证部署

你可以通过几种方式来验证服务是否正常运行。

1. 查看 Docker 容器状态：

   Bash

   docker-compose ps
   

   你应该能看到一个名为 firecrawl-mcp-server 的容器正在运行（State 为 Up）。

2. 查看容器日志：

   Bash

   docker-compose logs -f
   

   你应该能看到类似 Server is running on port 3000 的日志输出。

3. 访问健康检查端点：

   打开你的浏览器或使用 curl 命令，访问服务的 /health 端点。默认情况下，地址是 http://localhost:3000/health。

   Bash

   curl http://localhost:3000/health
   

   如果一切正常，你应该会收到一个 OK 的响应。

4. 访问 MCP 工具定义端点：

   MCP 服务器会暴露一个包含所有可用工具定义的 JSON 文件。你可以通过访问根路径来查看。

   Bash

   curl http://localhost:3000
   

   你将看到一个 JSON 响应，其中详细描述了 scrape、crawl 和 search 等工具的功能、参数和用法。这表明你的 MCP 服务器已准备好接收来自 AI 应用的请求。

4. 如何使用本地的 FirecrawlMCP

部署完成后，你可以在支持 MCP 的客户端（如 Cursor IDE）中配置并使用这个本地服务器。

以 Cursor 为例：

1. 打开 Cursor。
2. 进入设置 (Settings)。
3. 找到 "Model Context Protocol (MCP)" 或类似的设置项。
4. 添加一个新的全局 MCP 服务器 (Global MCP Server)。
5. 在服务器地址中输入你的本地服务地址，例如：http://localhost:3000。
6. 保存后，当你在 Cursor 中与 AI 对话并需要网络信息时，它就可以调用你本地部署的 FirecrawlMCP 服务来抓取网页内容了。

5. 总结

通过本教程，我们学习了如何在本地环境中使用 Docker 快速部署一个 FirecrawlMCP 服务器。这为你构建需要实时网页数据作为支撑的私有化、本地化 AI 应用提供了极大的便利。本地部署不仅保证了数据的私密性，也为开发者提供了一个免费且灵活的测试和开发环境。

如果您需要人工远程部署服务，请联系加微信：DaBengDaBeng