iterm-mcp MCP Server

K čemu slouží MCP Server „iterm-mcp“?

Server iterm-mcp MCP je server Model Context Protocol navržený tak, aby poskytoval AI asistentům přímý přístup k vaší relaci iTerm. Tento výkonný nástroj umožňuje velkým jazykovým modelům (LLM) provádět příkazy, pracovat s REPL a spravovat workflow v právě aktivním terminálu iTerm. Propojením AI klientů s terminálovým prostředím iterm-mcp zefektivňuje vývojové workflow díky přirozenému a sdílenému přístupu – umožňuje například spouštění shell příkazů, kontrolu výstupu terminálu nebo odesílání řídicích znaků (např. signály přerušení). Efektivní využití tokenů zajišťuje, že jsou zpracovány pouze relevantní výstupy, a díky minimálním závislostem je integrace snadná do platforem jako Claude Desktop a dalších MCP klientů, což zjednodušuje AI asistenci pro CLI a REPL vývojáře.

Seznam promptů

V repozitáři nejsou uvedeny žádné šablony promptů.

Připraveni rozšířit své podnikání?

Začněte svou bezplatnou zkušební verzi ještě dnes a viďte výsledky během několika dní.

Požádat o demo Přihlásit se

Seznam zdrojů

V repozitáři nejsou zdokumentovány žádné konkrétní zdroje.

Seznam nástrojů

• write_to_terminal
  Zapíše vstup do aktivní relace iTerm terminálu. Typicky se používá ke spouštění shell příkazů a vrací počet řádků výstupu.

• read_terminal_output
  Načte zadaný počet řádků z výstupu aktivní iTerm relace, což umožňuje modelům získat aktuální terminálovou aktivitu.

• send_control_character
  Odesílá řídicí znaky (např. Ctrl+C nebo Ctrl+Z) do aktivního iTerm terminálu, podporuje přerušení nebo pozastavení procesů.

Přihlaste se k odběru newsletteru

Získejte nejnovější tipy, trendy a nabídky zdarma.

E-mailová adresa

Přihlásit se

Scénáře využití tohoto MCP serveru

• Automatizace a asistence REPL
  Umožňuje LLM interagovat s živými REPL relacemi, provádět příkazy, kontrolovat výsledky a spravovat vícekrokové workflow interaktivně.

• Automatizace CLI workflow
  Umožňuje AI agentům spouštět a monitorovat shell příkazy, automatizovat rutinní vývojové úkoly a zpracovávat výstupy či chyby.

• Kontrola výstupu terminálu
  Modely mohou kontrolovat aktuální nebo minulý výstup terminálu, odpovídat na otázky ohledně obsahu obrazovky a pomáhat s laděním či analýzou logů.

• Správa procesů
  Pomocí řídicích znaků mohou vývojáři delegovat přerušení, pozastavení či pokračování procesů AI asistentům pro bezpečnější workflow.

• Spouštění a testování kódu
  Umožňuje spouštět kódové úryvky nebo skripty přímo v terminálu, AI model zachytí výstupy a iteruje podle výsledků.

Jak nastavit

Windsurf

1. Ujistěte se, že máte na Macu nainstalovaný a spuštěný Node.js (v18 nebo novější) a iTerm2.
2. Vyhledejte konfigurační soubor Windsurf (umístění najdete v dokumentaci Windsurf).
3. Přidejte konfiguraci MCP serveru iterm-mcp do sekce mcpServers:

   {
     "mcpServers": {
       "iterm-mcp": {
         "command": "npx",
         "args": [
           "-y",
           "iterm-mcp"
         ]
       }
     }
   }
   

4. Uložte konfigurační soubor a restartujte Windsurf.
5. Ověřte nastavení pokusem o připojení na iterm-mcp z rozhraní Windsurf.

Zabezpečení API klíčů:
Pokud server vyžaduje proměnné prostředí nebo tajné údaje, přidejte je následovně:

{
  "mcpServers": {
    "iterm-mcp": {
      "command": "npx",
      "args": ["-y", "iterm-mcp"],
      "env": {
        "MY_SECRET_KEY": "value"
      }
    }
  }
}

Claude

1. Ujistěte se, že máte na Macu nainstalovaný a spuštěný Node.js (v18 nebo novější) a iTerm2.
2. Otevřete konfigurační soubor Claude Desktop:
   ~/Library/Application Support/Claude/claude_desktop_config.json (macOS)
   %APPDATA%/Claude/claude_desktop_config.json (Windows)
3. Přidejte server iterm-mcp do sekce mcpServers:

   {
     "mcpServers": {
       "iterm-mcp": {
         "command": "npx",
         "args": [
           "-y",
           "iterm-mcp"
         ]
       }
     }
   }
   

4. Uložte soubor a restartujte Claude Desktop.
5. Ověřte dostupnost serveru v rozhraní Claude.

Zabezpečení API klíčů:
Tajné údaje přidejte dle potřeby do objektu env.

Cursor

1. Nainstalujte Node.js (v18+) a ujistěte se, že běží iTerm2.
2. Otevřete svůj konfigurační soubor Cursor (umístění viz dokumentace Cursor).
3. Vložte následující konfiguraci:

   {
     "mcpServers": {
       "iterm-mcp": {
         "command": "npx",
         "args": [
           "-y",
           "iterm-mcp"
         ]
       }
     }
   }
   

4. Uložte a restartujte Cursor.
5. Otestujte připojení přímo v Cursor.

Zabezpečení API klíčů:
Tajné údaje přidejte pomocí atributu env.

Cline

1. Ujistěte se, že máte nainstalovaný a spuštěný Node.js (v18+) a iTerm2.
2. Najděte svůj konfigurační soubor Cline.
3. Přidejte tuto konfiguraci:

   {
     "mcpServers": {
       "iterm-mcp": {
         "command": "npx",
         "args": [
           "-y",
           "iterm-mcp"
         ]
       }
     }
   }
   

4. Uložte a restartujte Cline.
5. Ověřte nastavení připojením k MCP serveru iTerm.

Zabezpečení API klíčů:
Tajné údaje nakonfigurujte jako proměnné prostředí v konfiguraci, např.:

{
  "mcpServers": {
    "iterm-mcp": {
      "command": "npx",
      "args": ["-y", "iterm-mcp"],
      "env": {
        "MY_SECRET_KEY": "value"
      }
    }
  }
}

Jak používat tento MCP ve flow

Využití MCP ve FlowHunt

Pro integraci MCP serverů do svého workflow ve FlowHunt začněte přidáním MCP komponenty do vašeho flow a připojením k AI agentovi:

Klikněte na MCP komponentu pro otevření panelu konfigurace. V systémové části MCP konfigurace vložte detaily vašeho MCP serveru v tomto JSON formátu:

{
  "iterm-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po nastavení má AI agent možnost tento MCP využívat jako nástroj se všemi jeho funkcemi a schopnostmi. Nezapomeňte změnit “MCP-name” na skutečný název vašeho MCP serveru (např. “github-mcp”, “weather-api” atd.) a URL na adresu vašeho MCP serveru.

Přehled

Na základě dostupných informací nabízí iterm-mcp robustní integraci do terminálu a zpřístupnění nástrojů, s jasnými instrukcemi k nastavení a bezpečnosti, ale chybí mu zdokumentované šablony promptů, explicitní zdroje a pokročilé MCP funkce jako roots a sampling. Je proto vhodný pro workflow zaměřené na terminál, ale méně bohatý na funkce pro širší MCP kontexty.

MCP skóre