Co dělá “DevRev” MCP Server?

DevRev MCP Server je server typu Model Context Protocol (MCP) navržený pro zajištění komplexního přístupu k API DevRev, což umožňuje bezproblémovou integraci funkcí platformy DevRev do AI asistentů a workflow vývojářů. Díky tomuto serveru mohou uživatelé programaticky pracovat s DevRev pro správu pracovních položek (například úkolů a ticketů), správu částí (vylepšení), provádět pokročilé vyhledávání v datech DevRev a získávat uživatelské informace. Tím, že tyto možnosti zpřístupňuje, umožňuje DevRev MCP Server AI agentům a klientům automatizovat, dotazovat se a spravovat zdroje DevRev, a podporuje tak případy použití jako dotazy do databáze, automatizace workflow nebo kontextovou asistenci při vývoji.

Seznam promptů

V poskytnutých souborech repozitáře ani dokumentaci nejsou uvedeny žádné šablony promptů.

Seznam zdrojů

V dostupné dokumentaci nebo kódu nejsou explicitně uvedeny MCP zdroje. Prvky zdrojů nejsou popsány v README ani ve viditelných souborech.

Seznam nástrojů

• search: Vyhledávání informací v DevRev pomocí search API s podporou různých jmenných prostorů (články, úkoly, tickety, části, dev_users, účty, rev_orgs).
• get_current_user: Získání detailů o právě přihlášeném uživateli DevRev.
• get_work: Načtení podrobných informací o konkrétní pracovní položce DevRev podle jejího ID.
• create_work: Vytvoření nových úkolů nebo ticketů v DevRev s vlastnostmi jako název, tělo, přiřazení a přiřazené části.
• update_work: Aktualizace existujících pracovních položek úpravou vlastností jako název, tělo, přiřazení nebo přiřazené části.
• list_works: Výpis a filtrování pracovních položek podle kritérií, například stav, datum, přiřazení, části a další.
• get_part: Získání detailních informací o konkrétní části (vylepšení) pomocí ID.
• create_part: Vytvoření nových částí s vlastnostmi jako název, popis, přiřazení a nadřazené části.
• update_part: Aktualizace existujících částí úpravou vlastností jako název, popis, přiřazení nebo cílová data.
• list_parts: Výpis a filtrování částí podle kritérií, např. data, přiřazení, nadřazené části a další.

Případy použití tohoto MCP serveru

• Správa pracovních položek: Vývojáři mohou programaticky vytvářet, aktualizovat, načítat a vypisovat úkoly či tickety, což zefektivňuje projektové workflow a automatizaci.
• Správa vylepšení (“částí”): Týmy mohou spravovat vylepšení (nazývaná “části”) jejich vytvářením, aktualizací nebo hierarchickým uspořádáním a podporovat tak plánování a sledování funkcí.
• Pokročilé vyhledávání: Provádění hybridního a jmenně-prostorového vyhledávání napříč články, úkoly, uživateli a dalšími, což umožňuje AI asistentům rychle získat relevantní znalosti z DevRev.
• Získání uživatelského kontextu: Přístup k informacím o aktuálním uživateli pro personalizované AI workflow, jako např. cílená upozornění nebo kontextové návrhy.
• Automatizované reportování a analytika: Filtrováním a výpisem pracovních položek a částí podle různých kritérií mohou týmy generovat reporty a poznatky pro sledování projektů a rozhodování.

Jak to nastavit

Windsurf

V dostupné dokumentaci nejsou uvedeny žádné specifické instrukce pro Windsurf.

Claude

1. Získejte svůj DevRev API klíč registrací na https://app.devrev.ai/signup a postupujte podle pokynů k ověření.
2. Najděte konfigurační soubor Claude Desktop:
   • MacOS: ~/Library/Application Support/Claude/claude_desktop_config.json
   • Windows: %APPDATA%/Claude/claude_desktop_config.json
3. Upravte soubor claude_desktop_config.json a přidejte DevRev MCP server:

   "mcpServers": {
     "devrev": {
       "command": "uvx",
       "args": [
         "devrev-mcp"
       ],
       "env": {
         "DEVREV_API_KEY": "YOUR_DEVREV_API_KEY"
       }
     }
   }
   

4. Uložte soubor a restartujte Claude Desktop.
5. Ověřte, že DevRev MCP server je dostupný v rozhraní Claude.

Poznámka: Pro vývoj nebo nepublikované servery použijte následující konfiguraci:

"mcpServers": {
  "devrev": {
    "command": "uv",
    "args": [
      "--directory",
      "Cesta k adresáři src/devrev_mcp",
      "run",
      "devrev-mcp"
    ],
    "env": {
      "DEVREV_API_KEY": "YOUR_DEVREV_API_KEY"
    }
  }
}

Cursor

V dostupné dokumentaci nejsou uvedeny žádné specifické instrukce pro Cursor.

Cline

V dostupné dokumentaci nejsou uvedeny žádné specifické instrukce pro Cline.

Zabezpečení API klíčů

API klíče se konfigurují pomocí sekce env ve vašem konfiguračním JSON:

"env": {
  "DEVREV_API_KEY": "YOUR_DEVREV_API_KEY"
}

Tím je váš API klíč zabezpečen a není přímo ve zdrojovém kódu.

Jak použít tento MCP uvnitř flowů

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho workflow ve FlowHunt začněte přidáním MCP komponenty do flow a jejím propojením s AI agentem:

Klikněte na komponentu MCP pro otevření konfiguračního panelu. V sekci systémové konfigurace MCP vložte údaje o vašem MCP serveru v tomto JSON formátu:

{
  "devrev": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci může AI agent tento MCP používat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “devrev” na skutečný název vašeho MCP serveru a nahradit URL adresou vašeho MCP serveru.

Přehled

| Podpora roots | ⛔ | Není zmíněno |

Náš názor:
Na základě dostupné dokumentace DevRev MCP Server poskytuje jasně definované nástroje a instrukce nastavení pro Claude, ale chybí mu prompt šablony, explicitní definice zdrojů a informace o sampling/roots podpoře. Projekt má open-source licenci, alespoň jeden nástroj a určitou komunitní aktivitu, ale prospěla by mu komplexnější dokumentace a multiplatformní návody.

MCP skóre

MCP hodnocení: 5/10
Projekt je funkční, s dobrou pokrytostí základních nástrojů a otevřenou licencí, ale chybí mu některé klíčové MCP prvky (prompty, zdroje, sampling, roots) a robustnější instrukce pro nastavení na více platformách.