通过 Bright Data 的 MCP 集成在 PromptQL 中启用 Web 访问

在本文中，你将看到：

• PromptQL 是什么、它如何工作，以及它提供的功能。
• 为什么仅靠 LLM 不足以进行企业级分析，以及为什么外部 Web 访问在规模化时至关重要。
• 如何在真实场景中利用 PromptQL 内置的 Bright Data Web MCP 连接器。
• 其他相关且可能的用例列表。

让我们开始吧！

PromptQL：它是什么以及它如何工作

PromptQL 是一个 AI 原生的协作工作空间，它将企业数据、团队知识和工作流统一在单一运营层中。它让你能够提出业务问题、协调行动，并通过类似 wiki 的上下文系统持续优化流程，该系统会从日常工作中演进。

与传统 BI 工具或静态语义层不同，PromptQL 不依赖预先建模的控制面板或手动整理的知识图谱。相反，它从真实交互中学习，将对话、决策和异常转化为可复用的运营知识。

它专为业务逻辑频繁变化、知识分布在多个系统中，并且答案需要结合结构化数据、人工输入和受治理执行的环境而设计。

在其核心，PromptQL 直接连接到数据库、SaaS 工具、API 和内部知识库等企业系统（通过 Hasura DDN 连接器），而无需进行数据迁移。当提出问题时，它会检索相关上下文，规划并执行数据操作，并返回基于数据和权限的答案。

一个关键功能是它的共享上下文模型。每次交互都可以揭示或形式化业务逻辑和决策，逐步构建一个由真实工作流塑造的动态语义层，而不是由自上而下的文档塑造。请在官方文档中探索所有其他功能。

PromptQL 中对外部 Web 数据的需求

仅靠内部数据是不够的。大多数企业决策还依赖外部信号，例如竞争对手定价、市场趋势、客户情绪和监管更新。

问题在于，所有基于 LLM 的系统都共享一个核心限制：它们默认并未连接到实时世界。这造成了两个主要缺口：

• 无法访问实时外部数据：模型无法可靠地获取新鲜的 Web 信息、价格更新、新闻或监管变化。
• 在开放 Web 上的覆盖范围有限：许多网站会主动阻止自动化访问，使 AI 智能体难以可靠且规模化地检索数据。

这些限制可以通过为 AI 系统配备外部工具和集成来解决。

幸运的是，PromptQL 支持广泛的连接器。

具体来说，“Bright Data Web MCP” 数据集成为你提供实时 Web 搜索、网站发现和网页抓取能力。它允许 PromptQL 从 Web 检索新鲜信息，并实时与外部数据源交互。

PromptQL 中作为解决方案的 Bright Data Web MCP 数据连接器

PromptQL 提供了一个 “Bright Data Web MCP” 数据连接器：

Bright Data 是领先的 Web 数据平台，使企业能够规模化收集公共 Web 数据。具体来说，Web MCP 将 Bright Data 的 API 暴露为 AI 就绪的工具，PromptQL（以及任何其他兼容 MCP 的解决方案）可以在提示执行期间直接调用这些工具。

在 PromptQL 中，Bright Data Web MCP 以 Rapid 模式运行，其中包括每月 5,000 次免费请求。在此模式下，可用工具包括：

工具	描述
search_engine + 批量版本	从 Google、Bing、Yandex 等检索 JSON 或 Markdown 格式的结构化搜索引擎结果
scrape_as_markdown + 批量版本	在绕过反机器人防护的同时，将任何网页转换为干净的 Markdown
discover	AI 驱动的 Web 发现，返回经过排序的相关结果

通过为 PromptQL 配备 “Bright Data Web MCP” 连接器，该系统获得了搜索 Web、发现相关页面并实时提取新鲜内容的能力。

这有助于解决一个主要企业缺口，因为 LLM 无法可靠地访问新鲜外部数据，也无法规模化地从实时 Web 检索信息。对于动态、受保护或频繁更新的来源来说，尤其如此。

让 Bright Data 脱颖而出的是其基础设施。它运营着一个全球代理网络，拥有覆盖 195 个国家/地区的超过 4 亿个住宅 IP，可实现规模化的可靠 Web 访问。该架构专为高并发和大规模数据收集而构建，实现了 99.95% 的成功率和基于 SLA 的 99.99% 正常运行时间。

如何在 PromptQL 中使用 Bright Data Web MCP 构建价格监控控制面板

在这个分步部分中，你将学习如何利用 PromptQL 中的 Bright Data Web MCP 数据集成。完成设置后，你将看到如何在价格监控场景中使用它。

我们将假设你是一家软件公司或初创公司，正在构建一个一体化数字工作空间生产力工具。你的目标是创建一个交互式控制面板来监控竞争对手（例如 Notion 和 Airtable）。系统将从它们的网站以及通过 Web MCP 收集定价数据，然后在控制面板中处理并可视化这些数据。

注意：这只是 PromptQL + Bright Data 集成支持的众多场景之一。

请按照以下说明操作！

前提条件

要跟随本教程部分，请确保你拥有：

• 一个 PromptQL 账户（创建账户后提供的免费额度将足够使用）。
• 一个已配置 API 密钥的 Bright Data 账户。请按照官方指南生成你的 Bright Data API 密钥。

虽然并非严格要求，但熟悉 Bright Data Web MCP 工具也会有所帮助。

步骤 #1：创建一个新的 PromptQL 项目

首先登录你的 PromptQL 账户。系统会提示你创建一个新项目。为它提供一个描述性名称，例如“价格监控”，然后点击“创建”按钮：

通过添加你的姓名、对你角色的简短描述，以及你团队成员的电子邮件地址来完成设置（不要忘记也包含你自己的电子邮件地址）。

设置完成后，你将被重定向到新的“价格监控”PromptQL 项目：

做得好！你现在有了一个可供使用的 PromptQL 项目。接下来，我们将通过内置的 Web MCP 连接器添加 Bright Data 集成。

步骤 #2：添加 Bright Data Web MCP 数据集成

按下“连接数据源”按钮（或者等效地，从左侧菜单进入“数据”页面）：

在“数据”页面上，搜索“bright data”，并从可用集成中选择“Bright Data Web MCP”卡片：

“Bright Data Web MCP”模态窗口将打开。如果你尚未获取 Bright Data API 密钥，请打开“设置说明”下拉菜单并按照其中提供的步骤操作。

继续点击“连接”按钮：

将你的 Bright Data API 密钥粘贴到“API 密钥”字段中，然后按“连接”以完成连接：

你将收到一条通知，确认 Bright Data Web MCP 已成功连接。集成卡片现在将显示绿色状态指示器和“断开连接”按钮：

太棒了！你的 PromptQL 项目现在可以通过 Bright Data Web MCP 访问 Web 搜索、爬虫和发现能力。

步骤 #3：验证集成是否正常工作

要验证 Bright Data Web MCP 集成是否正常工作，请检查可用工具是否可在聊天会话中访问。

进入 PromptQL 在项目入门过程中创建的“#general”聊天，然后点击“在此房间中新建线程”按钮：

输入如下提示：

Which Bright Data Web MCP tools do you have access to?

这是你应该看到的结果：

请注意，表中包含的工具与 Web MCP 在 Rapid 模式中暴露的工具完全对应。这确认你的 PromptQL 项目已正确连接到 Bright Data Web MCP 集成。太好了！

步骤 #4：启动价格监控任务

首先点击“房间”部分中的“+”按钮：

创建一个名为“price-monitoring”的新房间，然后点击“创建”：

可选地，邀请团队成员加入频道。

然后你将看到新房间出现在你的工作空间中：

点击“开始新线程”并粘贴如下提示：

Discover the pricing pages of Notion and Airtable through Google search. Access those pages and scrape their pricing content in Markdown format. Then, produce a dashboard that presents the extracted pricing information for easy comparison and ongoing monitoring. The dashboard must include a button to retrieve and refresh the pricing content, ensuring the data stays up to date.

执行它，你应该会得到如下结果：

如果你查看 AI 生成的计划，会发生以下情况：

1. 系统通过 Google Search 使用 search_engine 工具发现官方定价页面。在幕后，该工具调用 Bright Data 的搜索引擎 API。
2. 它使用 Web MCP scrape_as_markdown 工具将两个页面都抓取为干净的 Markdown，该工具通过 Bright Data 的网络解锁器 API 绕过机器人检测。
3. 从检索到的 Markdown 页面中，它提取结构化定价数据，包括套餐名称、价格、计费详情和关键功能。
4. 它将结果（结构化套餐、原始 Markdown 和时间戳）存储在专用数据工件中。
5. 它生成一个交互式控制面板，将两个产品并排显示为对比卡片。
6. 它将生成的 Python 脚本（用于数据检索、刷新逻辑等）和工作流上下文保存到“Notion 与 Airtable 定价监控”和“price-monitoring（房间）”wiki 页面中。

得益于最后的 wiki 更新步骤，整个定价监控设置都会被持久化，并可在 PromptQL 项目中复用。这使其他人能够轻松访问、刷新和扩展。

通过导航到“Wiki”页面来验证这一点：

你会注意到两个页面：“Notion 与 Airtable 定价监控”和“price-monitoring（房间）”：

打开“Notion 与 Airtable 定价监控”页面，你将看到完整记录的工作流：

太棒了！这确认了 PromptQL 能够交付可重复的 AI 驱动工作流，同时保留并组织底层流程上下文。

步骤 #5：探索生成的输出

最终输出生成后，你现在可以在右侧看到两个生成的工件：

• “Notion 与 Airtable 定价比较”工件：一个 JSON 文件，包含通过 Web MCP 检索并为比较而规范化的结构化定价。
• “定价比较控制面板”工件：一个由 PromptQL 生成的基于 React 的应用程序，用交互式格式可视化定价数据。

请注意，控制面板包含一个“↻ 刷新定价”按钮：

点击它会重新运行完整的发现和抓取管道，用实时数据更新比较。

Et voilà！此示例展示了 PromptQL + Bright Data 集成的强大能力。正如你接下来将看到的，还可以实现许多其他用例和场景。

[额外] 步骤 #6：将生成的控制面板存储为 PromptQL 程序

目前，生成的控制面板只在该线程聊天历史中可用。要使其可在其他聊天中复用，请将其转换为一个 PromptQL 程序。

PromptQL 程序是基于 Python 的工作流，通过 Python 函数读写数据。这些程序由 LLM 生成，并在交互式会话期间在 PromptQL Playground 内执行。在前面的示例中，控制面板生成逻辑可以转换为这样的程序。

要将你的控制面板保存为 PromptQL 程序，请在线程中发送如下提示：

Save this dashboard as a program

这是你应该看到的结果：

PromptQL 输出将说明一个 pricing_monitor 程序已保存。

现在，从左侧菜单进入“程序”页面：

你会注意到一个名为 pricing_monitor 的程序：

打开 README，你将看到定义该工作流的 Python 文件、输入和输出的描述。

你现在可以在任何线程中运行 pricing_monitor 程序。执行时，它会获取新鲜的抓取数据并自动重新生成控制面板。它还可以通过 REST Program API 按需调用，为与外部系统和自动化工作流集成打开大门。

其他 PromptQL + Bright Data 用例

上面的示例涵盖了竞争性价格监控和市场情报，但还可以实现许多其他场景。探索由 Web MCP 连接器支持的更多 PromptQL + Bright Data 应用！

供应链中断监控

全球供应链依赖天气事件、港口拥堵、罢工、零售商缺货或运输延误。PromptQL 可以将内部物流系统与来自 Bright Data 的实时 Web 情报结合起来。

可能的工作流：

1. 通过 Web MCP search_engine 工具监控区域性中断新闻和运输更新。
2. 通过 scrape_as_markdown 工具从物流提供商、零售商通知或港务局网站收集信息。
3. PromptQL 将这些信号与内部 SKU 可用性和发货数据相关联，以解释为什么产品正趋于缺货或表现不佳。

涉及的典型外部来源：

• 运输承运商跟踪页面（例如 DHL、FedEx、Maersk）。
• 港务局更新（例如 Port of Los Angeles、Rotterdam Port）。
• 物流控制面板和零售商库存页面。
• 报道罢工或延误的新闻媒体（例如 Reuters、Bloomberg）。

GTM 客户情报和销售研究

销售和客户成功团队通常会在会议前手动研究潜在客户，从而浪费时间。借助 PromptQL + Bright Data 设置，你可以自动化该流程。

可能的工作流：

1. Bright Data Web MCP 的 discover 工具定位相关公司来源。
2. search_engine 检索近期新闻、招聘信号、融资公告、产品发布或高管变动。
3. scrape_as_markdown 从公司网站、投资者页面和博客中提取内容。
4. PromptQL 将其与 CRM 数据结合，以生成客户计划、风险评估和追加销售机会。

涉及的典型外部来源：

• 公司网站和博客。
• LinkedIn 公司页面和招聘信号。
• 新闻网站（例如 TechCrunch、Crunchbase、Reuters）。
• 投资者关系页面和新闻稿。

金融服务和可解释的客户推荐

银行、金融科技公司和信用合作社通常需要用实时外部上下文丰富内部推荐系统。PromptQL 不仅依赖历史交易数据，还可以用新鲜的公共信号和替代数据增强推荐。

可能的工作流：

1. Web MCP 的 search_engine 工具搜索本地住房趋势、贷款条件或公共商业信号。
2. scrape_as_markdown 收集相关金融信息。
3. PromptQL 将所有数据与客户画像聚合在一起，为贷款、信贷产品或金融服务提供可解释的推荐，同时准确展示推理是如何构建的。

涉及的典型外部来源：

• 房屋和抵押贷款挂牌平台。
• 中央银行和经济指标网站。
• 商业登记数据库。
• 金融新闻来源（例如 Bloomberg、Financial Times、Yahoo Finance）。

品牌监控和声誉分析

消费品牌可以使用 PromptQL + Bright Data 设置来跟踪产品、活动或高管在网上被如何讨论。

可能的工作流：

1. PromptQL 调用 search_engine 来监控讨论你产品的新闻、评论网站和 Reddit 帖子。
2. 调用 scrape_as_markdown 将非结构化网页转换为干净的 Markdown 页面，以便进行 AI 分析。
3. PromptQL 总结情绪趋势，识别反复出现的投诉，并在它们升级为更大的业务问题之前揭示新兴声誉风险。

涉及的典型外部来源：

• 评论平台（例如 Trustpilot、G2、Capterra、App Store / Google Play 评论）。
• Reddit 讨论和社区线程。
• 社交媒体帖子和评论线程。
• 新闻文章和博客报道。

监管、合规和政策监控

高度监管的行业往往难以及时了解各市场不断变化的法规。Bright Data Web MCP 工具可以帮助你在 PromptQL 中自动化政策监控工作流。

可能的工作流：

1. search_engine 查找监管机构网站、政府公告和行业更新。
2. scrape_as_markdown 提取政策文本。
3. PromptQL 将新政策与内部程序进行比较，总结变化，标记潜在合规风险，并将由此产生的推理存储为可复用知识，以便审计。

涉及的典型外部来源：

• 政府和监管机构网站（SEC、FDA、EU Commission）。
• 行业合规公告。
• 法律数据库和政策跟踪器。
• 官方新闻稿和修正案。

结论

在这篇博客文章中，你了解了 PromptQL 是什么。你现在知道它作为一个深刻理解你的数据并能精确对其采取行动的平台，带来了什么价值。你探索了 PromptQL 的工作方式，以及它如何通过内置的 Bright Data Web MCP 集成变得更加强大。

该集成将 PromptQL 连接到 Bright Data 通过 Web MCP 暴露的 Web 搜索、发现和抓取能力。其结果是一个具备 Web 感知能力的 AI 系统，能够自主检索实时 Web 数据，使其推理基于最新信息，并产生更准确、可执行的洞察。

如果你需要帮助将 Bright Data Web MCP 与 PromptQL 集成，或希望获得有关设计 Web 感知 AI 工作流的指导，请联系 Bright Data 团队以获取支持和入门协助。

免费注册 Bright Data 账户，并开始集成我们的 AI 就绪 Web 数据解决方案！