CleanWeb MCP服务器：网页抓取省87%Token并防提示注入

网页抓取是AI智能体获取信息的关键环节，但抓下来的内容往往包含大量导航栏、广告和脚注等噪音，不仅消耗Token，还可能暗藏提示注入攻击。Reddit上一位开发者展示了自己构建的CleanWeb MCP服务器，声称能将网页抓取的Token噪音削减87%，并为Claude Desktop和Cursor提供提示注入防护。

网页抓取的Token浪费与安全风险

大语言模型处理网页内容时，原始的HTML或渲染文本中充斥大量与核心信息无关的元素。每一次抓取都在为这些噪音付费，同时增加模型理解负担。更隐蔽的风险是提示注入——恶意网页可能嵌入针对AI的指令，诱导智能体执行非预期操作。CleanWeb MCP服务器正是针对这两个痛点设计。

MCP（Model Context Protocol） 是由 Anthropic 提出并推动的一项开放协议，目的是为 AI 应用与外部数据源、工具之间建立统一的通信标准。可以把 MCP 理解为 AI 世界的“USB 接口”：模型客户端（Host）通过 MCP 客户端连接到一个个 MCP 服务器，服务器负责暴露资源（如文件、数据库、网页内容）和工具（可被模型调用的函数）。由于协议统一，同一个 MCP 服务器可以同时被 Claude Desktop、Cursor 等不同客户端复用，无需为每个应用单独开发插件。CleanWeb 正是以一个 MCP 服务器的形态存在，因此天然具备跨客户端接入的能力。

提示注入（Prompt Injection） 指攻击者将恶意指令藏入模型会读取的内容中（如网页正文、评论、隐藏的 HTML 元素），诱导模型把这些内容当作系统指令执行，从而泄露信息、调用工具或改变行为。与传统的代码注入不同，提示注入利用的是模型对自然语言指令的服从性，因此很难靠简单的输入过滤根除。网页抓取场景尤其危险，因为抓取内容是外部不可信的，模型却往往将其与可信指令混在同一上下文中。CleanWeb 在内容进入模型前做安全过滤，本质上属于“输入侧防御”，是当前缓解提示注入的主流思路之一。

CleanWeb MCP的核心机制

根据开发者在Reddit上的展示，该MCP服务器在将网页内容交给模型之前进行清洗和过滤。它去除无关的页面结构，仅保留正文等有价值信息，从而显著降低Token消耗。开发者给出的数据是减少87%的Token噪音。同时，它内置了提示注入的拦截机制，阻止恶意指令进入模型上下文。

与Claude Desktop和Cursor的集成

CleanWeb以MCP（Model Context Protocol）服务器的形式提供，这意味着它可以直接接入支持MCP的客户端。开发者明确提到Claude Desktop和Cursor两个环境。用户配置后，AI在抓取网页时会自动经过CleanWeb处理，无需改变原有工作流。

对AI工作流的影响

Token噪音的降低直接带来成本节约和响应速度提升，尤其对于频繁抓取网页的智能体应用。提示注入防护则填补了MCP生态中一个容易被忽视的安全缺口。不过，87%这一数字来自开发者自述，实际效果可能因网页类型和清洗策略而异。

Token 是模型处理文本的基本计量单位，大致相当于一个词或词的一部分。网页原始 HTML 中充斥着标签、脚本、样式、导航链接等对理解正文毫无帮助的内容，这些都会计入上下文长度并产生费用。所谓“Token 噪音削减 87%”，意味着在相同信息量的前提下，送入模型的 Token 数大幅下降，从而直接降低 API 成本，并因上下文更短而缩短推理时延、提升模型对关键信息的注意力。对需要频繁抓取多个网页的智能体而言，这种节省会随抓取次数线性放大，是评估此类工具价值时最直观的指标。

局限与待验证之处

原始展示未披露清洗的具体规则、支持的内容类型以及防护的误报率。对于依赖复杂动态渲染或结构化数据的场景，CleanWeb是否同样有效尚不明确。此外，提示注入攻击手法不断演变，静态拦截能否持续有效需要社区检验。

该项目目前以展示形式出现在Reddit，开发者是否开源、如何获取配置细节，原始素材中并未说明。对于关注AI编程和网页抓取效率的开发者，CleanWeb的思路值得参考：在内容进入模型之前做减法，同时把安全过滤前置到抓取环节。