Integrace Raindrop.io MCP Serveru

Co dělá “Raindrop.io” MCP Server?

Raindrop.io MCP Server je integrace umožňující velkým jazykovým modelům (LLM) a AI asistentům programově komunikovat se záložkami Raindrop.io přes Model Context Protocol (MCP). Tento server funguje jako most mezi AI klienty a platformou záložek Raindrop.io, umožňuje uživatelům vytvářet nové záložky, prohledávat ty existující a filtrovat výsledky podle štítků. Výrazně rozšiřuje AI workflow tím, že agentům umožňuje spravovat a přistupovat ke kolekci záložek uživatele, což umožňuje automatizovat organizaci znalostí, získávat relevantní zdroje a zefektivnit kurátorování obsahu přímo z vývojářských nástrojů nebo konverzačních AI rozhraní. Vývojáři a uživatelé AI tak mohou přímo ve svém preferovaném MCP-kompatibilním prostředí vytvářet, sdílet a využívat webové zdroje.

Seznam promptů

V repozitáři nejsou uvedeny žádné šablony promptů.

Seznam zdrojů

V repozitáři nejsou popsány žádné explicitní zdroje.

Seznam nástrojů

• Vytváření záložek: Umožňuje AI přidávat nové záložky do uživatelovy kolekce Raindrop.io.
• Vyhledávání záložek: Umožňuje dotazování na záložky podle různých kritérií.
• Filtrování podle štítků: Poskytuje možnost načíst záložky filtrované podle konkrétních štítků.

Scénáře použití tohoto MCP Serveru

• Správa záložek: Automatizujte přidávání a organizaci záložek přímo z AI agentů.
• Získávání znalostí: Rychle vyhledávejte a zpřístupňujte uložené záložky k určitému tématu nebo úkolu ve vývojářských či chatovacích prostředích.
• Kurátorování obsahu: Filtrování a prezentace webových zdrojů podle štítků pro výzkum, učení nebo sdílení v týmu.
• Osobní znalostní báze: Vytvářejte chytré workflow, která záložky využívají jako dynamicky přístupnou znalostní základnu.
• AI automatizace workflow: Integrujte s dalšími nástroji a platformami pro spouštění akcí (jako je ukládání odkazu nebo vyhledávání záložek) v rámci širších, automatizovaných toků.

Jak nastavit

Windsurf

Nejsou poskytnuty žádné specifické instrukce pro Windsurf. Platí obecná konfigurace MCP serveru, pokud je podporována.

Claude

1. Ujistěte se, že máte nainstalovaný Node.js 16+ a získali jste Raindrop.io API token.
2. Instalace přes Smithery:

   npx -y @smithery/cli install @hiromitsusasaki/raindrop-io-mcp-server --client claude
   

3. Nastavte proměnnou prostředí:
   • Vytvořte soubor .env s obsahem:

     RAINDROP_TOKEN=your_access_token_here
     

4. Otevřete konfiguraci Claude Desktop (claude_desktop_config.json na macOS nebo Windows).
5. Přidejte MCP server konfiguraci takto:

   {
     "mcpServers": {
       "raindrop-io": {
         "command": "npx",
         "args": [
           "-y",
           "@smithery/cli",
           "start",
           "@hiromitsusasaki/raindrop-io-mcp-server",
           "--client",
           "claude"
         ],
         "env": {
           "RAINDROP_TOKEN": "your_access_token_here"
         }
       }
     }
   }
   

6. Uložte a restartujte Claude Desktop, aby se změny projevily.

Cursor

Pro Cursor nejsou uvedeny žádné instrukce ani příklady konfigurace.

Cline

Pro Cline nejsou uvedeny žádné instrukce ani příklady konfigurace.

Zabezpečení API klíčů

K zabezpečení API klíčů používejte proměnné prostředí. Příklad:

"env": {
  "RAINDROP_TOKEN": "your_access_token_here"
}

Jak používat tento MCP ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do workflow ve FlowHunt začněte přidáním MCP komponenty do svého flow a propojte ji se svým AI agentem:

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

{
  "raindrop-io": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci bude AI agent schopen tento MCP používat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “raindrop-io” na skutečný název vašeho MCP serveru a URL na adresu vašeho MCP serveru.

Přehled

Náš názor

Tento MCP server nabízí základní funkce pro správu záložek a snadné nastavení pro Claude Desktop, ale postrádá dokumentované šablony promptů a explicitní definice zdrojů. Nebyly nalezeny informace o podpoře Roots nebo Sampling. Dokumentace je jasná a server je funkční pro workflow se záložkami, avšak chybí širší příklady integrace a pokročilé MCP funkce.

Hodnocení: 6/10

MCP Skóre