1. 项目概述一个连接Google Search Console与AI的桥梁如果你是一名SEO从业者、内容创作者或者像我一样经常需要分析网站的自然搜索表现那你一定对Google Search ConsoleGSC不陌生。它提供了海量的数据关键词排名、点击率、展示量、页面索引状态……这些都是优化网站的黄金信息。但GSC的界面坦白说对于深度、灵活的数据分析来说有时显得不够“智能”。我们常常需要手动导出CSV然后在Excel或Looker Studio里折腾半天才能回答一些特定的问题比如“过去一个月哪些新页面开始获得流量了”或者“某个关键词的点击率突然下降同期展示量有什么变化”这就是lionkiii/google-searchconsole-mcp这个项目吸引我的地方。它本质上是一个MCPModel Context Protocol服务器。简单来说MCP就像是一个翻译官它把各种工具比如GSC复杂、原始的API接口翻译成AI助手例如Claude、Cursor等能轻松理解和操作的标准化指令。通过这个项目你可以直接在你的AI编码助手或聊天助手中用自然语言查询和分析你的GSC数据。想象一下这个场景你正在和Claude讨论如何优化一篇博客文章。你可以直接问它“帮我查一下我们网站关于‘Python异步编程’这个主题过去90天在Google上的展示量和点击量趋势并列出点击率最高的三个查询词。” 几秒钟后Claude就能通过这个MCP服务器从GSC拿到数据并给你一个清晰的分析和表格。这彻底改变了我们与数据交互的方式从“手动导出-处理-分析”的笨重流程变成了“对话即分析”的流畅体验。这个项目适合所有需要频繁与GSC数据打交道的角色独立开发者、SEO专家、数字营销人员、技术内容团队。它降低了数据获取和分析的门槛让你能更专注于从数据中挖掘洞察而不是陷入数据处理的泥潭。2. 核心设计思路与架构拆解2.1 为什么是MCP协议选择的背后逻辑在深入代码之前我们先聊聊为什么这个项目选择基于MCP来构建而不是做一个传统的Web应用、浏览器插件或者一个独立的CLI工具。这背后有几个关键的考量。首先生态融合是首要原因。MCP是由Anthropic主导的一个开放协议旨在标准化AI助手与外部工具、数据源之间的连接。这意味着一旦你实现了MCP服务器它就天然地能接入所有支持MCP协议的AI助手环境比如Claude Desktop、Cursor、Windsurf以及未来可能出现的更多工具。你不需要为每个AI平台单独开发适配器一次实现处处可用。这比开发一个只针对某个特定编辑器插件的方案其通用性和未来潜力要大得多。其次用户体验的颠覆性提升。传统的数据分析工具需要我们学习其特定的查询语法或界面操作。而MCP将工具能力“注入”到AI助手中用户可以使用最自然的语言来调用这些能力。对于GSC这种数据维度多、查询条件复杂的系统来说用自然语言描述需求“给我看上周美国地区移动端流量下降的页面”远比在GSC界面里点选多个过滤器要直观和高效。它把“使用工具”变成了“与专家对话”这个专家既懂你的业务语言又能直接操作后台数据。最后开发效率与维护成本。MCP协议定义了一套清晰的规范包括资源Resources和工具Tools的概念。开发者只需要专注于实现具体的资源获取逻辑如“获取搜索分析数据”和工具执行逻辑如“检查URL索引状态”而无需关心UI渲染、对话管理、上下文保持等复杂问题。这些都由AI助手客户端来处理。这使得项目的核心非常精简易于维护和扩展。2.2 项目架构与核心模块解析lionkiii/google-searchconsole-mcp项目的结构清晰遵循了MCP服务器的最佳实践。我们来看一下它的核心模块是如何组织的。1. 认证与初始化模块 (auth.py,server.py) 这是所有Google API项目的起点。项目使用OAuth 2.0进行授权这是与GSC API交互的标准方式。在初始化时服务器会引导用户完成一次性的浏览器授权流程获取访问令牌Access Token和刷新令牌Refresh Token。这里的一个关键设计是令牌的持久化存储。服务器会将令牌安全地保存在本地如一个加密的配置文件或系统的密钥管理器中这样下次启动时就不需要重新授权了。server.py是程序的入口它负责启动MCP服务器实例并注册所有可用的资源和工具。2. 资源定义模块 (resources/) 在MCP中“资源”代表可以被AI助手读取的数据实体。这个项目将GSC的核心数据模型抽象成了资源。最主要的资源是SearchAnalyticsResource搜索分析数据。它不是一个静态的数据快照而是一个参数化的数据查询接口。当你请求这个资源时你需要提供参数比如siteUrl你的网站属性地址、startDate、endDate、dimensions分析的维度如query、page、country等。服务器收到这些参数后会动态地调用GSC API获取最新的数据返回。这种设计非常灵活使得AI助手可以按需查询任何时间范围、任何维度的数据。3. 工具定义模块 (tools/) “工具”代表可以被AI助手执行的操作。这是项目与用户进行交互的核心。目前项目主要实现了以下几个关键工具search_analytics工具这是最强大的工具它封装了对GSCsearchAnalytics.queryAPI的调用。AI助手可以通过这个工具执行复杂的查询例如获取特定页面、国家、设备类型下的关键词表现。inspect_url工具对应GSC的URL Inspection API。你可以提交一个URL工具会返回该URL在Google索引中的详细状态是否被索引、最后一次抓取时间、索引的版本、是否有移动端可用性问题、丰富的搜索结果预览等。这对于排查个别页面的索引问题至关重要。sitemaps_list和sitemaps_submit工具用于管理和提交网站地图。列表工具可以查看已提交的网站地图及其状态提交工具则可以提交新的网站地图URL这对于通知Google网站结构变化非常有用。4. 数据处理与适配模块 GSC API返回的数据是原始的JSON格式。MCP服务器的一个重要职责是进行数据清洗和格式化使其更适合AI助手理解和呈现给用户。例如将API返回的嵌套JSON结构扁平化将日期时间戳转换为易读的格式将数字进行适当的舍入和单位转换如将展示次数以“千”或“万”为单位显示。这个模块确保了最终到达用户面前的数据是清晰、整洁、可直接用于分析的。注意在配置授权时你需要在自己的Google Cloud Console中创建一个项目并启用“Google Search Console API”。创建OAuth 2.0凭证时应用类型应选择“桌面应用Desktop app”。下载的credentials.json文件需要妥善保管它是服务器与你的GSC数据建立信任的钥匙。3. 核心功能实操与深度使用指南3.1 环境搭建与初次配置全流程要让这个MCP服务器跑起来你需要一个支持MCP的AI助手客户端。这里我以目前生态最完善的Claude Desktop为例展示完整的配置过程。其他如Cursor等编辑器的配置逻辑类似。第一步准备Python环境与项目代码我强烈建议使用虚拟环境来管理依赖避免污染系统级的Python库。# 克隆项目代码 git clone https://github.com/lionkiii/google-searchconsole-mcp.git cd google-searchconsole-mcp # 创建并激活虚拟环境以venv为例 python -m venv .venv # Windows .venv\Scripts\activate # macOS/Linux source .venv/bin/activate # 安装项目依赖 pip install -r requirements.txtrequirements.txt里最关键的两个库是mcpMCP协议SDK和google-api-python-clientGoogle官方API客户端。确保它们被正确安装。第二步配置Google Cloud凭证这是最关键也最容易出错的一步。访问 Google Cloud Console 。创建一个新项目或选择现有项目例如命名为 “My-GSC-MCP-Server”。在“API和服务”中启用“Google Search Console API”。进入“凭据”页面点击“创建凭据” - “OAuth 2.0 客户端 ID”。在“应用类型”中务必选择“桌面应用Desktop app”。给它起个名字比如“GSC MCP Client”。创建后你会看到客户端ID和客户端密钥。点击“下载JSON”按钮将凭证文件保存到你的项目根目录下并重命名为credentials.json。第三步配置Claude Desktop以使用MCP服务器Claude Desktop通过一个配置文件来管理MCP服务器。配置文件通常位于macOS:~/Library/Application Support/Claude/claude_desktop_config.jsonWindows:%APPDATA%\Claude\claude_desktop_config.json你需要编辑或创建这个JSON文件添加你的MCP服务器配置。下面是一个配置示例{ mcpServers: { google-searchconsole: { command: /absolute/path/to/your/.venv/bin/python, args: [ /absolute/path/to/your/google-searchconsole-mcp/server.py ], env: { GOOGLE_APPLICATION_CREDENTIALS: /absolute/path/to/your/google-searchconsole-mcp/credentials.json } } } }重要提示command必须指向你虚拟环境中Python解释器的绝对路径。使用which pythonmacOS/Linux或where pythonWindows在虚拟环境激活状态下来获取。args中的服务器脚本路径也必须是绝对路径。env部分设置了环境变量告诉服务器你的凭证文件在哪里。同样需要绝对路径。保存配置文件后完全重启Claude Desktop应用。第四步完成OAuth授权流程重启Claude后当你第一次向Claude提出一个需要GSC数据的请求时例如“帮我看看网站数据”Claude会在后台启动MCP服务器。服务器检测到没有有效的令牌会自动在终端或系统默认的控制台中打印出一个授权URL。你需要复制这个URL在浏览器中打开它。浏览器会跳转到Google的授权页面选择你拥有GSC权限的Google账号。你会看到应用请求的权限列表主要是查看你的Search Console数据点击“允许”。授权成功后页面会显示一个授权码。将这个授权码完整地复制下来。回到启动服务器的终端窗口根据提示将授权码粘贴进去并回车。 如果一切顺利服务器会提示授权成功令牌已保存。此后Claude就可以正常使用GSC工具了。这个授权流程通常只需进行一次。3.2 搜索分析工具的实战应用与查询构建配置完成后我们就可以开始真正的对话式分析了。search_analytics工具是核心理解如何通过自然语言指令驱动它至关重要。基础查询获取整体表现你可以从最宏观的问题开始你“我们网站过去30天的搜索表现怎么样”Claude调用工具参数可能为startDate: “30daysAgo“ endDate: “today“ dimensions: [“date“]它会返回一个包含日期、点击量、展示量、平均点击率CTR和平均位置的数据表并可能附上一句总结“过去30天网站总点击量XX展示量YY平均CTR为ZZ%平均排名为N。”维度下钻定位问题来源当发现整体流量波动时你需要下钻分析。这时在问题中指定维度dimensions。你“上周点击量下降的原因是什么按页面和查询词拆分看看。”Claude调用工具参数dimensions: [“page“, “query“]并可能添加rowLimit: 50。它会返回一个列表展示哪些页面-关键词组合的点击量下降最显著。你可能会发现是某个核心页面对应的高流量关键词排名下滑了。过滤器应用聚焦特定范围GSC API支持强大的过滤功能这在对话中通过自然语言描述即可实现。你“只看来自美国的移动端流量过去90天的趋势。”Claude在工具调用中添加过滤器dimensionFilterGroups指定country为 “USA”device为 “MOBILE”。这能帮你分析特定区域和设备类型的用户行为。你“找出所有平均排名在10名以内但点击率低于2%的查询词。”Claude这需要更复杂的逻辑。它可能会先获取dimensions: [“query“]的数据然后在内存中对结果进行二次过滤找出符合position 10 AND ctr 0.02的记录。这展示了AI助手不仅能调用API还能进行后处理分析。实操心得如何提出更有效的问题明确时间范围总是包含“过去7天”、“上个月”、“2024年1月至今”等具体时间描述。指定数据维度想分析什么就把什么作为“主语”。想分析“页面”就提页面想分析“国家”就提国家。可以说“按国家拆分数据”或“列出表现最好的页面”。善用比较“对比一下本月和上月的数据”、“看看这个页面和竞品页面的流量差异”后者需要你有竞品页面的GSC权限或数据。请求可视化建议虽然MCP服务器本身不生成图表但你可以要求Claude“把这份按日期的点击量数据用Markdown表格整理好并建议一下用什么类型的图表来展示趋势最合适” Claude可以输出结构清晰的表格和图表描述。3.3 URL检查与网站地图管理实战除了流量分析日常的SEO运维工作也能通过这个MCP服务器极大地简化。深度诊断单个URL状态当你发现某个重要页面没有获得预期流量时inspect_url工具是你的第一道诊断工具。你“检查一下 https://example.com/my-important-article 的索引状态。”Claude调用inspect_url工具。返回的信息会极其丰富包括索引状态是否在Google索引中。如果不在原因是什么robots.txt阻止、noindex标签、抓取错误最后抓取时间Google蜘蛛最后一次访问该页面的时间。索引的页面内容Google实际存储的页面HTML快照。你可以对比这与你的实时页面是否一致有没有因为JS渲染或CDN缓存导致关键内容未被抓取。搜索结果预览Google将如何在搜索结果中显示这个页面的标题和描述。这可以用来检查你的元标签title, description是否被正确采用或者是否被Google重写了。页面资源加载问题是否有关键的CSS、JS或图片无法被Googlebot加载这会影响页面理解和用户体验评估。批量提交与监控网站地图对于内容更新频繁的网站网站地图sitemap的管理很重要。你“我们提交了哪些网站地图它们状态如何”Claude调用sitemaps_list工具。它会列出所有已提交的网站地图URL、最后读取时间、状态成功/有错误以及其中包含的URL数量。你可以快速确认Google是否在处理你的网站地图时遇到了问题。你“我们刚刚更新了网站结构生成了一个新的网站地图sitemap-news.xml请提交给Google。”Claude调用sitemaps_submit工具参数为你的网站属性URL和新的网站地图URL。这比登录GSC后台操作要快得多。提示inspect_urlAPI对调用频率有配额限制。虽然对于日常零星检查足够但不要试图用它批量检查成千上万个URL。对于批量索引状态检查应考虑使用“索引覆盖率”报告目前此MCP项目可能尚未实现但未来可扩展。4. 高级技巧、场景化应用与性能优化4.1 构建自动化SEO工作流这个MCP服务器的真正威力在于它能被集成到更自动化的工作流中。虽然目前主要通过对话交互但其底层是标准的进程间通信IPC这为自动化打开了大门。场景一内容发布后自动检查假设你有一个自动发布博客的系统。在文章发布后可以触发一个脚本该脚本通过命令行与MCP服务器通信模拟AI助手自动执行inspect_url来检查新文章是否被成功抓取和索引并将结果发送到你的通知频道如Slack、钉钉。这确保了重要内容能及时进入搜索索引。场景二定期排名与流量监控报告你可以编写一个定时任务Cron job定期通过MCP服务器查询核心关键词的排名和流量数据并与历史数据对比。当检测到关键指标如排名大幅下降、点击率异常时自动生成报告或触发警报。这比每天手动登录GSC查看要高效得多。技术实现思路MCP协议基于JSON-RPC over STDIO。这意味着你可以编写一个简单的Python脚本启动MCP服务器子进程然后通过标准输入stdin向其发送格式化的JSON-RPC请求例如调用search_analytics工具并从标准输出stdout读取JSON-RPC响应。这样你就拥有了一个可编程的GSC数据接口。4.2 处理大规模数据与查询优化GSC API在返回大量数据时例如查询一年内按日细分的所有页面和关键词数据可能会超时或受到配额限制。在通过MCP使用中需要注意查询策略。1. 分而治之的查询策略 不要一次性请求时间跨度太长且维度过细的数据。AI助手在处理复杂请求时应该具备“分页”或“分批”查询的智能。例如当用户请求“去年全年的数据按页面和查询拆分”时一个设计良好的提示或工具调用逻辑应该将其分解为按月或按季度的多次查询然后在内存中汇总最后再呈现给用户。这既能避免API限制也能提高响应速度。2. 利用聚合与采样 对于趋势分析有时不需要每一行明细数据。你可以指示AI助手“给我过去12个月每月总的点击量和展示量趋势数据按月份聚合。” 这样工具调用时使用dimensions: [“date“]并设置aggregationType: “byMonth“如果API支持可以大大减少返回的数据量让分析更聚焦于宏观趋势。3. 缓存策略考量 对于相对静态的元数据查询如网站属性列表、已提交的网站地图列表可以考虑在MCP服务器端实现简单的内存缓存例如缓存5分钟以减少对GSC API的重复调用提升对话响应速度。但对于核心的搜索分析数据由于其动态性通常不建议缓存。4.3 扩展可能性还能连接什么MCP的魅力在于其扩展性。lionkiii/google-searchconsole-mcp项目提供了一个完美的蓝本。你可以借鉴其代码结构为其他数据源构建MCP服务器。Google Analytics (GA4) MCP 服务器让AI助手能查询实时用户数、事件转化、用户留存等数据。你可以问“今天到目前为止通过自然搜索来的用户他们的主要行为路径是什么”内部数据库或API MCP 服务器连接公司内部的CRM、订单系统、日志平台。你可以问“上周通过那篇营销文章来的线索有多少转化成了付费客户” “查询一下服务器在过去一小时的错误率。”多平台数据聚合一个更高级的想法是构建一个“SEO数据聚合MCP服务器”。它背后同时连接GSC、Bing Webmaster Tools、Ahrefs API或SEMrush API。你可以向AI助手提问“对比一下我们网站在Google和Bing上对于核心品牌词的表现差异。”构建这些扩展的关键在于清晰定义“资源”有哪些数据可读和“工具”有哪些操作可执行并利用对应平台的官方SDK或API实现数据获取逻辑。MCP协议就像一根万能插头让你的AI助手能够接入整个数字世界的工具箱。5. 常见问题、故障排查与安全须知5.1 安装与配置问题排查即使按照步骤操作也可能会遇到一些问题。下面是一些常见故障及解决方法。问题现象可能原因解决方案Claude Desktop 启动后提示“无法连接MCP服务器”或相关错误。1.claude_desktop_config.json配置文件路径错误或格式有误。2. 指定的Python或服务器脚本路径不是绝对路径。3. 虚拟环境未正确激活或依赖未安装。1. 检查配置文件路径是否正确JSON格式是否合法可使用JSON验证工具。2. 确保command和args中的路径都是绝对路径并且指向正确的位置。3. 在项目目录下手动激活虚拟环境并运行python server.py看是否能独立启动服务器并看到日志输出。在授权步骤复制授权码粘贴后提示“无效的授权码”或授权失败。1. 授权码复制不完整包含了多余空格或换行。2. 授权码过期通常只有几分钟有效期。3. 本地网络问题导致与Google OAuth服务器通信失败。1. 仔细复制整个授权码不要遗漏头尾字符。在终端粘贴后检查是否有多余字符。2. 立即重新打开授权URL获取新的授权码并快速粘贴。3. 检查网络连接特别是代理设置。如果使用代理可能需要配置Python的requests库使用代理。运行服务器时提示ModuleNotFoundError: No module named ‘mcp’或googleapiclient。Python依赖没有安装在当前环境中。确认已激活正确的虚拟环境命令行提示符前应有(.venv)字样。在激活的环境下重新执行pip install -r requirements.txt。AI助手可以调用工具但返回“权限不足”或“网站属性未找到”错误。1. 进行OAuth授权的Google账号没有对目标网站属性的Search Console访问权限。2.siteUrl参数格式不正确。1. 登录GSC网页版确认你使用的账号是否在目标网站属性的用户列表中至少是“受限用户”以上权限。2. GSC API要求的siteUrl格式是包含协议的全URL如https://example.com/或域名级属性如sc-domain:example.com。确保在提问时AI助手传递的参数格式正确。5.2 使用过程中的注意事项与优化建议1. 数据延迟与API配额需要了解的是GSC中的数据通常有24-48小时的延迟。你无法通过API查询到“实时”的搜索数据。此外Google API都有每日配额限制。对于个人网站和小规模使用基本不会触达配额上限。但如果你计划进行高频、大量的自动化查询需要关注Google Cloud Console中该API的配额使用情况并考虑申请提升配额。2. 关注数据采样对于大型网站对于流量非常大的网站GSC在展示某些维度的详细数据时可能会进行数据采样。这意味着返回的数据是基于一部分样本估算的并非100%精确的全量数据。这在分析长尾流量或非常细分的维度时需要留意。对于绝大多数决策采样数据的趋势是可靠的。3. 安全与凭证管理credentials.json和自动生成的令牌文件包含了访问你GSC数据的密钥。务必不要将它们提交到公开的Git仓库中。项目根目录下的.gitignore文件通常已经忽略了credentials.json和token.json这类文件但请再次确认。最好的实践是将这些文件存储在项目目录之外并通过环境变量或配置文件中的绝对路径来引用。4. 对话上下文与清晰指令AI助手的能力受限于你的提示词和它自身的上下文理解。对于复杂的多步分析尝试将任务分解。例如不要一次性问“分析流量下降原因并给出优化建议”而是先问“过去两周哪些页面的流量下降最严重”根据回答再问“对于下降最严重的A页面它主要流失了哪些关键词的流量”。这样能获得更精准、更可控的分析结果。5. 成本控制本项目本身是开源免费的主要成本在于你的时间。但请注意如果你将其部署在云服务器上并设置自动化查询会产生少量的云服务器费用。此外过度频繁的API调用理论上可能触发Google Cloud的计费虽然Search Console API在常规使用量下是免费的但最好查阅最新的Google API定价政策。这个项目将强大的GSC数据与日益普及的AI助手无缝连接创造了一种全新的、高效的SEO数据分析范式。它不仅仅是一个工具更是一个工作流的思想转变从“人适应工具”到“工具理解人”。通过它你可以将更多精力投入到策略思考和创意工作中而让重复、繁琐的数据查询和初步整理交给这位不知疲倦的AI助手来完成。我开始使用它之后每周例行检查数据的时间节省了超过一半而数据洞察的深度和速度却得到了提升。如果你也在和GSC数据打交道强烈建议你花半小时配置一下体验一下这种“对话即分析”的未来工作方式。
基于MCP协议构建Google Search Console AI助手：实现对话式SEO数据分析
发布时间：2026/7/10 1:55:10
1. 项目概述一个连接Google Search Console与AI的桥梁如果你是一名SEO从业者、内容创作者或者像我一样经常需要分析网站的自然搜索表现那你一定对Google Search ConsoleGSC不陌生。它提供了海量的数据关键词排名、点击率、展示量、页面索引状态……这些都是优化网站的黄金信息。但GSC的界面坦白说对于深度、灵活的数据分析来说有时显得不够“智能”。我们常常需要手动导出CSV然后在Excel或Looker Studio里折腾半天才能回答一些特定的问题比如“过去一个月哪些新页面开始获得流量了”或者“某个关键词的点击率突然下降同期展示量有什么变化”这就是lionkiii/google-searchconsole-mcp这个项目吸引我的地方。它本质上是一个MCPModel Context Protocol服务器。简单来说MCP就像是一个翻译官它把各种工具比如GSC复杂、原始的API接口翻译成AI助手例如Claude、Cursor等能轻松理解和操作的标准化指令。通过这个项目你可以直接在你的AI编码助手或聊天助手中用自然语言查询和分析你的GSC数据。想象一下这个场景你正在和Claude讨论如何优化一篇博客文章。你可以直接问它“帮我查一下我们网站关于‘Python异步编程’这个主题过去90天在Google上的展示量和点击量趋势并列出点击率最高的三个查询词。” 几秒钟后Claude就能通过这个MCP服务器从GSC拿到数据并给你一个清晰的分析和表格。这彻底改变了我们与数据交互的方式从“手动导出-处理-分析”的笨重流程变成了“对话即分析”的流畅体验。这个项目适合所有需要频繁与GSC数据打交道的角色独立开发者、SEO专家、数字营销人员、技术内容团队。它降低了数据获取和分析的门槛让你能更专注于从数据中挖掘洞察而不是陷入数据处理的泥潭。2. 核心设计思路与架构拆解2.1 为什么是MCP协议选择的背后逻辑在深入代码之前我们先聊聊为什么这个项目选择基于MCP来构建而不是做一个传统的Web应用、浏览器插件或者一个独立的CLI工具。这背后有几个关键的考量。首先生态融合是首要原因。MCP是由Anthropic主导的一个开放协议旨在标准化AI助手与外部工具、数据源之间的连接。这意味着一旦你实现了MCP服务器它就天然地能接入所有支持MCP协议的AI助手环境比如Claude Desktop、Cursor、Windsurf以及未来可能出现的更多工具。你不需要为每个AI平台单独开发适配器一次实现处处可用。这比开发一个只针对某个特定编辑器插件的方案其通用性和未来潜力要大得多。其次用户体验的颠覆性提升。传统的数据分析工具需要我们学习其特定的查询语法或界面操作。而MCP将工具能力“注入”到AI助手中用户可以使用最自然的语言来调用这些能力。对于GSC这种数据维度多、查询条件复杂的系统来说用自然语言描述需求“给我看上周美国地区移动端流量下降的页面”远比在GSC界面里点选多个过滤器要直观和高效。它把“使用工具”变成了“与专家对话”这个专家既懂你的业务语言又能直接操作后台数据。最后开发效率与维护成本。MCP协议定义了一套清晰的规范包括资源Resources和工具Tools的概念。开发者只需要专注于实现具体的资源获取逻辑如“获取搜索分析数据”和工具执行逻辑如“检查URL索引状态”而无需关心UI渲染、对话管理、上下文保持等复杂问题。这些都由AI助手客户端来处理。这使得项目的核心非常精简易于维护和扩展。2.2 项目架构与核心模块解析lionkiii/google-searchconsole-mcp项目的结构清晰遵循了MCP服务器的最佳实践。我们来看一下它的核心模块是如何组织的。1. 认证与初始化模块 (auth.py,server.py) 这是所有Google API项目的起点。项目使用OAuth 2.0进行授权这是与GSC API交互的标准方式。在初始化时服务器会引导用户完成一次性的浏览器授权流程获取访问令牌Access Token和刷新令牌Refresh Token。这里的一个关键设计是令牌的持久化存储。服务器会将令牌安全地保存在本地如一个加密的配置文件或系统的密钥管理器中这样下次启动时就不需要重新授权了。server.py是程序的入口它负责启动MCP服务器实例并注册所有可用的资源和工具。2. 资源定义模块 (resources/) 在MCP中“资源”代表可以被AI助手读取的数据实体。这个项目将GSC的核心数据模型抽象成了资源。最主要的资源是SearchAnalyticsResource搜索分析数据。它不是一个静态的数据快照而是一个参数化的数据查询接口。当你请求这个资源时你需要提供参数比如siteUrl你的网站属性地址、startDate、endDate、dimensions分析的维度如query、page、country等。服务器收到这些参数后会动态地调用GSC API获取最新的数据返回。这种设计非常灵活使得AI助手可以按需查询任何时间范围、任何维度的数据。3. 工具定义模块 (tools/) “工具”代表可以被AI助手执行的操作。这是项目与用户进行交互的核心。目前项目主要实现了以下几个关键工具search_analytics工具这是最强大的工具它封装了对GSCsearchAnalytics.queryAPI的调用。AI助手可以通过这个工具执行复杂的查询例如获取特定页面、国家、设备类型下的关键词表现。inspect_url工具对应GSC的URL Inspection API。你可以提交一个URL工具会返回该URL在Google索引中的详细状态是否被索引、最后一次抓取时间、索引的版本、是否有移动端可用性问题、丰富的搜索结果预览等。这对于排查个别页面的索引问题至关重要。sitemaps_list和sitemaps_submit工具用于管理和提交网站地图。列表工具可以查看已提交的网站地图及其状态提交工具则可以提交新的网站地图URL这对于通知Google网站结构变化非常有用。4. 数据处理与适配模块 GSC API返回的数据是原始的JSON格式。MCP服务器的一个重要职责是进行数据清洗和格式化使其更适合AI助手理解和呈现给用户。例如将API返回的嵌套JSON结构扁平化将日期时间戳转换为易读的格式将数字进行适当的舍入和单位转换如将展示次数以“千”或“万”为单位显示。这个模块确保了最终到达用户面前的数据是清晰、整洁、可直接用于分析的。注意在配置授权时你需要在自己的Google Cloud Console中创建一个项目并启用“Google Search Console API”。创建OAuth 2.0凭证时应用类型应选择“桌面应用Desktop app”。下载的credentials.json文件需要妥善保管它是服务器与你的GSC数据建立信任的钥匙。3. 核心功能实操与深度使用指南3.1 环境搭建与初次配置全流程要让这个MCP服务器跑起来你需要一个支持MCP的AI助手客户端。这里我以目前生态最完善的Claude Desktop为例展示完整的配置过程。其他如Cursor等编辑器的配置逻辑类似。第一步准备Python环境与项目代码我强烈建议使用虚拟环境来管理依赖避免污染系统级的Python库。# 克隆项目代码 git clone https://github.com/lionkiii/google-searchconsole-mcp.git cd google-searchconsole-mcp # 创建并激活虚拟环境以venv为例 python -m venv .venv # Windows .venv\Scripts\activate # macOS/Linux source .venv/bin/activate # 安装项目依赖 pip install -r requirements.txtrequirements.txt里最关键的两个库是mcpMCP协议SDK和google-api-python-clientGoogle官方API客户端。确保它们被正确安装。第二步配置Google Cloud凭证这是最关键也最容易出错的一步。访问 Google Cloud Console 。创建一个新项目或选择现有项目例如命名为 “My-GSC-MCP-Server”。在“API和服务”中启用“Google Search Console API”。进入“凭据”页面点击“创建凭据” - “OAuth 2.0 客户端 ID”。在“应用类型”中务必选择“桌面应用Desktop app”。给它起个名字比如“GSC MCP Client”。创建后你会看到客户端ID和客户端密钥。点击“下载JSON”按钮将凭证文件保存到你的项目根目录下并重命名为credentials.json。第三步配置Claude Desktop以使用MCP服务器Claude Desktop通过一个配置文件来管理MCP服务器。配置文件通常位于macOS:~/Library/Application Support/Claude/claude_desktop_config.jsonWindows:%APPDATA%\Claude\claude_desktop_config.json你需要编辑或创建这个JSON文件添加你的MCP服务器配置。下面是一个配置示例{ mcpServers: { google-searchconsole: { command: /absolute/path/to/your/.venv/bin/python, args: [ /absolute/path/to/your/google-searchconsole-mcp/server.py ], env: { GOOGLE_APPLICATION_CREDENTIALS: /absolute/path/to/your/google-searchconsole-mcp/credentials.json } } } }重要提示command必须指向你虚拟环境中Python解释器的绝对路径。使用which pythonmacOS/Linux或where pythonWindows在虚拟环境激活状态下来获取。args中的服务器脚本路径也必须是绝对路径。env部分设置了环境变量告诉服务器你的凭证文件在哪里。同样需要绝对路径。保存配置文件后完全重启Claude Desktop应用。第四步完成OAuth授权流程重启Claude后当你第一次向Claude提出一个需要GSC数据的请求时例如“帮我看看网站数据”Claude会在后台启动MCP服务器。服务器检测到没有有效的令牌会自动在终端或系统默认的控制台中打印出一个授权URL。你需要复制这个URL在浏览器中打开它。浏览器会跳转到Google的授权页面选择你拥有GSC权限的Google账号。你会看到应用请求的权限列表主要是查看你的Search Console数据点击“允许”。授权成功后页面会显示一个授权码。将这个授权码完整地复制下来。回到启动服务器的终端窗口根据提示将授权码粘贴进去并回车。 如果一切顺利服务器会提示授权成功令牌已保存。此后Claude就可以正常使用GSC工具了。这个授权流程通常只需进行一次。3.2 搜索分析工具的实战应用与查询构建配置完成后我们就可以开始真正的对话式分析了。search_analytics工具是核心理解如何通过自然语言指令驱动它至关重要。基础查询获取整体表现你可以从最宏观的问题开始你“我们网站过去30天的搜索表现怎么样”Claude调用工具参数可能为startDate: “30daysAgo“ endDate: “today“ dimensions: [“date“]它会返回一个包含日期、点击量、展示量、平均点击率CTR和平均位置的数据表并可能附上一句总结“过去30天网站总点击量XX展示量YY平均CTR为ZZ%平均排名为N。”维度下钻定位问题来源当发现整体流量波动时你需要下钻分析。这时在问题中指定维度dimensions。你“上周点击量下降的原因是什么按页面和查询词拆分看看。”Claude调用工具参数dimensions: [“page“, “query“]并可能添加rowLimit: 50。它会返回一个列表展示哪些页面-关键词组合的点击量下降最显著。你可能会发现是某个核心页面对应的高流量关键词排名下滑了。过滤器应用聚焦特定范围GSC API支持强大的过滤功能这在对话中通过自然语言描述即可实现。你“只看来自美国的移动端流量过去90天的趋势。”Claude在工具调用中添加过滤器dimensionFilterGroups指定country为 “USA”device为 “MOBILE”。这能帮你分析特定区域和设备类型的用户行为。你“找出所有平均排名在10名以内但点击率低于2%的查询词。”Claude这需要更复杂的逻辑。它可能会先获取dimensions: [“query“]的数据然后在内存中对结果进行二次过滤找出符合position 10 AND ctr 0.02的记录。这展示了AI助手不仅能调用API还能进行后处理分析。实操心得如何提出更有效的问题明确时间范围总是包含“过去7天”、“上个月”、“2024年1月至今”等具体时间描述。指定数据维度想分析什么就把什么作为“主语”。想分析“页面”就提页面想分析“国家”就提国家。可以说“按国家拆分数据”或“列出表现最好的页面”。善用比较“对比一下本月和上月的数据”、“看看这个页面和竞品页面的流量差异”后者需要你有竞品页面的GSC权限或数据。请求可视化建议虽然MCP服务器本身不生成图表但你可以要求Claude“把这份按日期的点击量数据用Markdown表格整理好并建议一下用什么类型的图表来展示趋势最合适” Claude可以输出结构清晰的表格和图表描述。3.3 URL检查与网站地图管理实战除了流量分析日常的SEO运维工作也能通过这个MCP服务器极大地简化。深度诊断单个URL状态当你发现某个重要页面没有获得预期流量时inspect_url工具是你的第一道诊断工具。你“检查一下 https://example.com/my-important-article 的索引状态。”Claude调用inspect_url工具。返回的信息会极其丰富包括索引状态是否在Google索引中。如果不在原因是什么robots.txt阻止、noindex标签、抓取错误最后抓取时间Google蜘蛛最后一次访问该页面的时间。索引的页面内容Google实际存储的页面HTML快照。你可以对比这与你的实时页面是否一致有没有因为JS渲染或CDN缓存导致关键内容未被抓取。搜索结果预览Google将如何在搜索结果中显示这个页面的标题和描述。这可以用来检查你的元标签title, description是否被正确采用或者是否被Google重写了。页面资源加载问题是否有关键的CSS、JS或图片无法被Googlebot加载这会影响页面理解和用户体验评估。批量提交与监控网站地图对于内容更新频繁的网站网站地图sitemap的管理很重要。你“我们提交了哪些网站地图它们状态如何”Claude调用sitemaps_list工具。它会列出所有已提交的网站地图URL、最后读取时间、状态成功/有错误以及其中包含的URL数量。你可以快速确认Google是否在处理你的网站地图时遇到了问题。你“我们刚刚更新了网站结构生成了一个新的网站地图sitemap-news.xml请提交给Google。”Claude调用sitemaps_submit工具参数为你的网站属性URL和新的网站地图URL。这比登录GSC后台操作要快得多。提示inspect_urlAPI对调用频率有配额限制。虽然对于日常零星检查足够但不要试图用它批量检查成千上万个URL。对于批量索引状态检查应考虑使用“索引覆盖率”报告目前此MCP项目可能尚未实现但未来可扩展。4. 高级技巧、场景化应用与性能优化4.1 构建自动化SEO工作流这个MCP服务器的真正威力在于它能被集成到更自动化的工作流中。虽然目前主要通过对话交互但其底层是标准的进程间通信IPC这为自动化打开了大门。场景一内容发布后自动检查假设你有一个自动发布博客的系统。在文章发布后可以触发一个脚本该脚本通过命令行与MCP服务器通信模拟AI助手自动执行inspect_url来检查新文章是否被成功抓取和索引并将结果发送到你的通知频道如Slack、钉钉。这确保了重要内容能及时进入搜索索引。场景二定期排名与流量监控报告你可以编写一个定时任务Cron job定期通过MCP服务器查询核心关键词的排名和流量数据并与历史数据对比。当检测到关键指标如排名大幅下降、点击率异常时自动生成报告或触发警报。这比每天手动登录GSC查看要高效得多。技术实现思路MCP协议基于JSON-RPC over STDIO。这意味着你可以编写一个简单的Python脚本启动MCP服务器子进程然后通过标准输入stdin向其发送格式化的JSON-RPC请求例如调用search_analytics工具并从标准输出stdout读取JSON-RPC响应。这样你就拥有了一个可编程的GSC数据接口。4.2 处理大规模数据与查询优化GSC API在返回大量数据时例如查询一年内按日细分的所有页面和关键词数据可能会超时或受到配额限制。在通过MCP使用中需要注意查询策略。1. 分而治之的查询策略 不要一次性请求时间跨度太长且维度过细的数据。AI助手在处理复杂请求时应该具备“分页”或“分批”查询的智能。例如当用户请求“去年全年的数据按页面和查询拆分”时一个设计良好的提示或工具调用逻辑应该将其分解为按月或按季度的多次查询然后在内存中汇总最后再呈现给用户。这既能避免API限制也能提高响应速度。2. 利用聚合与采样 对于趋势分析有时不需要每一行明细数据。你可以指示AI助手“给我过去12个月每月总的点击量和展示量趋势数据按月份聚合。” 这样工具调用时使用dimensions: [“date“]并设置aggregationType: “byMonth“如果API支持可以大大减少返回的数据量让分析更聚焦于宏观趋势。3. 缓存策略考量 对于相对静态的元数据查询如网站属性列表、已提交的网站地图列表可以考虑在MCP服务器端实现简单的内存缓存例如缓存5分钟以减少对GSC API的重复调用提升对话响应速度。但对于核心的搜索分析数据由于其动态性通常不建议缓存。4.3 扩展可能性还能连接什么MCP的魅力在于其扩展性。lionkiii/google-searchconsole-mcp项目提供了一个完美的蓝本。你可以借鉴其代码结构为其他数据源构建MCP服务器。Google Analytics (GA4) MCP 服务器让AI助手能查询实时用户数、事件转化、用户留存等数据。你可以问“今天到目前为止通过自然搜索来的用户他们的主要行为路径是什么”内部数据库或API MCP 服务器连接公司内部的CRM、订单系统、日志平台。你可以问“上周通过那篇营销文章来的线索有多少转化成了付费客户” “查询一下服务器在过去一小时的错误率。”多平台数据聚合一个更高级的想法是构建一个“SEO数据聚合MCP服务器”。它背后同时连接GSC、Bing Webmaster Tools、Ahrefs API或SEMrush API。你可以向AI助手提问“对比一下我们网站在Google和Bing上对于核心品牌词的表现差异。”构建这些扩展的关键在于清晰定义“资源”有哪些数据可读和“工具”有哪些操作可执行并利用对应平台的官方SDK或API实现数据获取逻辑。MCP协议就像一根万能插头让你的AI助手能够接入整个数字世界的工具箱。5. 常见问题、故障排查与安全须知5.1 安装与配置问题排查即使按照步骤操作也可能会遇到一些问题。下面是一些常见故障及解决方法。问题现象可能原因解决方案Claude Desktop 启动后提示“无法连接MCP服务器”或相关错误。1.claude_desktop_config.json配置文件路径错误或格式有误。2. 指定的Python或服务器脚本路径不是绝对路径。3. 虚拟环境未正确激活或依赖未安装。1. 检查配置文件路径是否正确JSON格式是否合法可使用JSON验证工具。2. 确保command和args中的路径都是绝对路径并且指向正确的位置。3. 在项目目录下手动激活虚拟环境并运行python server.py看是否能独立启动服务器并看到日志输出。在授权步骤复制授权码粘贴后提示“无效的授权码”或授权失败。1. 授权码复制不完整包含了多余空格或换行。2. 授权码过期通常只有几分钟有效期。3. 本地网络问题导致与Google OAuth服务器通信失败。1. 仔细复制整个授权码不要遗漏头尾字符。在终端粘贴后检查是否有多余字符。2. 立即重新打开授权URL获取新的授权码并快速粘贴。3. 检查网络连接特别是代理设置。如果使用代理可能需要配置Python的requests库使用代理。运行服务器时提示ModuleNotFoundError: No module named ‘mcp’或googleapiclient。Python依赖没有安装在当前环境中。确认已激活正确的虚拟环境命令行提示符前应有(.venv)字样。在激活的环境下重新执行pip install -r requirements.txt。AI助手可以调用工具但返回“权限不足”或“网站属性未找到”错误。1. 进行OAuth授权的Google账号没有对目标网站属性的Search Console访问权限。2.siteUrl参数格式不正确。1. 登录GSC网页版确认你使用的账号是否在目标网站属性的用户列表中至少是“受限用户”以上权限。2. GSC API要求的siteUrl格式是包含协议的全URL如https://example.com/或域名级属性如sc-domain:example.com。确保在提问时AI助手传递的参数格式正确。5.2 使用过程中的注意事项与优化建议1. 数据延迟与API配额需要了解的是GSC中的数据通常有24-48小时的延迟。你无法通过API查询到“实时”的搜索数据。此外Google API都有每日配额限制。对于个人网站和小规模使用基本不会触达配额上限。但如果你计划进行高频、大量的自动化查询需要关注Google Cloud Console中该API的配额使用情况并考虑申请提升配额。2. 关注数据采样对于大型网站对于流量非常大的网站GSC在展示某些维度的详细数据时可能会进行数据采样。这意味着返回的数据是基于一部分样本估算的并非100%精确的全量数据。这在分析长尾流量或非常细分的维度时需要留意。对于绝大多数决策采样数据的趋势是可靠的。3. 安全与凭证管理credentials.json和自动生成的令牌文件包含了访问你GSC数据的密钥。务必不要将它们提交到公开的Git仓库中。项目根目录下的.gitignore文件通常已经忽略了credentials.json和token.json这类文件但请再次确认。最好的实践是将这些文件存储在项目目录之外并通过环境变量或配置文件中的绝对路径来引用。4. 对话上下文与清晰指令AI助手的能力受限于你的提示词和它自身的上下文理解。对于复杂的多步分析尝试将任务分解。例如不要一次性问“分析流量下降原因并给出优化建议”而是先问“过去两周哪些页面的流量下降最严重”根据回答再问“对于下降最严重的A页面它主要流失了哪些关键词的流量”。这样能获得更精准、更可控的分析结果。5. 成本控制本项目本身是开源免费的主要成本在于你的时间。但请注意如果你将其部署在云服务器上并设置自动化查询会产生少量的云服务器费用。此外过度频繁的API调用理论上可能触发Google Cloud的计费虽然Search Console API在常规使用量下是免费的但最好查阅最新的Google API定价政策。这个项目将强大的GSC数据与日益普及的AI助手无缝连接创造了一种全新的、高效的SEO数据分析范式。它不仅仅是一个工具更是一个工作流的思想转变从“人适应工具”到“工具理解人”。通过它你可以将更多精力投入到策略思考和创意工作中而让重复、繁琐的数据查询和初步整理交给这位不知疲倦的AI助手来完成。我开始使用它之后每周例行检查数据的时间节省了超过一半而数据洞察的深度和速度却得到了提升。如果你也在和GSC数据打交道强烈建议你花半小时配置一下体验一下这种“对话即分析”的未来工作方式。
相关文章
从ResNet到FPN：拆解RetinaNet的骨干网络，为什么它比YOLOv3更准？
从ResNet到FPN：拆解RetinaNet的骨干网络，为什么它比YOLOv3更准？ 在目标检测领域，RetinaNet的出现标志着单阶段检测器首次在精度上匹敌甚至超越了两阶段方法。这一突破性成果的核心，在于其精心设计的骨干网络架构——Re…
CANN竞赛星辰队提交说明
星辰队提交说明 【免费下载链接】cann-competitions 本仓库用于 CANN 开源社区各类竞赛、开源课题、社区任务等课题发布、开发者作品提交和展示。 项目地址: https://gitcode.com/cann/cann-competitions 团队信息 团队名称：星辰所属单位：金陵科…
STC8H单片机I2C实战：用DS3231模块做个高精度电子钟（附完整代码）
STC8H单片机I2C实战：用DS3231模块打造高精度电子钟 1. 项目概述与硬件准备 电子时钟项目是嵌入式开发的经典入门案例，而DS3231作为高精度实时时钟芯片，其2ppm的精度（约每月误差1分钟）远超普通RTC芯片。配合STC8H系列单…
2026年精选AI论文写作工具合集（合规高效版）
为解决学术写作中效率与合规两大核心痛点，本文精选8款高适配性AI论文写作工具（按综合优先级排序），围绕中文学术规范适配、真实参考文献生成、格式标准化、高性价比四大核心维度进行筛选，同时配套分场景精准选型方案与学…
智能车图像处理 4 种经典算法对比：八邻域、差比和、大津法、滑动窗口
智能车图像处理4种经典算法深度解析：八邻域、差比和、大津法与滑动窗口实战指南1. 智能车视觉处理的核心挑战与算法选型在智能车竞赛和嵌入式视觉开发领域，图像处理算法的选择直接决定了车辆的赛道识别能力和控制精度。面对复杂的光照变化、赛道纹理干扰…
HCIP-PPPoE实验
文章目录一、拓扑图二、需求三、步骤1.配置IP2.PPPoE Server3.PPPoE Client四、测试一、拓扑图 二、需求 内网设备通过PPPoE可访问广域网 三、步骤 1.配置IP R1 [R1-GigabitEthernet0/0/1]ip address 192.168.1.254 24R2 [R2-LoopBack0]ip address 1.1.1.1 24PC1 PC2 …
电商 / 本地生活 / 跨境全覆盖：2026 双场景 AI数字人系统评测，不同行业最优款都在这。
关键要点：2026年数字人直播三大赛道：电商直播312亿元（占65%）、本地生活96亿元（占20%）、跨境出海高速增长登登AI以全源码本地部署三AI模型（豆包文心一言DeepSeek）协同，三大…
MCP3428与dsPIC33FJ256GP710A高精度数据采集方案详解
1. 为什么选择MCP3428与dsPIC33FJ256GP710A组合在工业测量和实验室设备中，数据采集系统的精度和实时性往往决定着整个项目的成败。MCP3428作为一款18位Δ-Σ ADC，其内置PGA（可编程增益放大器）和2.048V基准电压的特性，使…
爬虫数据存储到数据库——MySQL + MongoDB 实战
数据爬下来后，存为 CSV 或 JSON 虽然简单，但查询和更新不方便。当数据量上万条时，建议存入数据库。这篇讲爬虫数据如何写入 MySQL 和 MongoDB。 一、MySQL 存储 1. 建表 CREATE TABLE products (id BIGINT AUTO_INCREMENT PRIMARY KEY,source…
玛丽冒险游戏：Windows一键运行的文字冒险程序（含音效图片+源码）
本文还有配套的精品资源，点击获取 简介：直接双击‘玛丽冒险.exe’就能玩的文字冒险小游戏，不需要装Python、不用配环境，Windows电脑点开就跑。游戏以玛丽为主角，通过菜单选项推进剧情，支持存档读档、分支…
WebAssembly 实战：在前端跑高性能计算的正确姿势与工程集成
WebAssembly 实战：在前端跑高性能计算的正确姿势与工程集成 一、WebAssembly 不是「让前端变快」的万能药，而是「让前端能做以前做不了的事情」的关键技术 WebAssembly（Wasm）是一种低级的、类汇编的、能在浏览器里高效运行的二进…
接口文档智能解析Agent Skill推荐
一、为什么接口自动化测试，适合用AI赋能？ 大家可自行先思考一个问题： AI赋能测试全流程，为什么优先推荐从接口自动化切入？ 有三个典型原因： 接口输入结构化，AI最擅长"吃" 接口有OpenA…
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略 【免费下载链接】ContextMenuManager 🖱️ 纯粹的Windows右键菜单管理程序 项目地址: https://gitcode.com/gh_mirrors/co/ContextMenuManager 你是否曾为Windows右键菜单中那些…
从GitHub安全案例解析常见漏洞与防护实践
1. 项目概述：从GitHub Trending看安全实战 最近在GitHub Trending上看到一个项目，叫 skills4/skills ，它因为一些安全漏洞案例被大家讨论。这其实是一个挺典型的场景：一个旨在展示或教授某种技能的仓库，本身却成了安…
MLT 2026启示：因果推理与概率建模驱动下一代LLM应用
# MLT 2026启示：因果推理与概率建模驱动下一代LLM应用## 一、背景与挑战：从“黑箱预测”到“可信推理”2026年6月，第7届机器学习与趋势国际会议（MLT 2026）将在悉尼召开。会议议程中，“因果与可解释机器学习…
FAE放射组学分析工具：医学影像特征探索的完整解决方案
FAE放射组学分析工具：医学影像特征探索的完整解决方案 【免费下载链接】FAE FeAture Explorer 项目地址: https://gitcode.com/gh_mirrors/fae/FAE 你是否曾经面对海量医学影像数据感到无从下手？想要从CT、MRI等影像中提取有价值的定量特征&#…
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南 【免费下载链接】happy-llm 📚 从零开始构建大模型 项目地址: https://gitcode.com/GitHub_Trending/ha/happy-llm 还在为大型多模态模型动辄数十亿参数、显存占用高而烦恼&…
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南 【免费下载链接】SMUDebugTool A dedicated tool to help write/read various parameters of Ryzen-based systems, such as manual overclock, SMU, PCI, CPUID, MSR and Power Table. 项目地址…