DevRev MCP Server

Hvad gør “DevRev” MCP-serveren?

DevRev MCP-serveren er en Model Context Protocol (MCP)-server designet til at give omfattende adgang til DevRev’s API’er, så DevRev’s platformfunktioner kan integreres problemfrit i AI-assistenter og udviklerworkflows. Gennem denne server kan brugere programmæssigt interagere med DevRev for at håndtere arbejdsopgaver (såsom issues og tickets), håndtere dele (forbedringer), udføre avancerede søgninger i DevRev-data og hente brugerinformation. Ved at eksponere disse funktioner gør DevRev MCP-serveren det muligt for AI-agenter og klienter at automatisere, forespørge og administrere DevRev-ressourcer, hvilket understøtter brugsscenarier som databaseforespørgsler, workflow-automatisering og kontekstafhængig udviklingsassistance.

Liste over Prompts

Ingen prompt-skabeloner er eksplicit nævnt i de tilgængelige repository-filer eller dokumentation.

Liste over Ressourcer

Der er ikke angivet eksplicitte MCP-ressourcer i den tilgængelige dokumentation eller kode. Ressource-primitiver er ikke detaljeret i README eller synlige filer.

Liste over Værktøjer

• search: Søg efter information på tværs af DevRev ved hjælp af søge-API’et med understøttelse af forskellige namespaces (artikler, issues, tickets, dele, dev_users, accounts, rev_orgs).
• get_current_user: Hent oplysninger om den aktuelt autentificerede DevRev-bruger.
• get_work: Hent omfattende information om et specifikt DevRev-arbejdselement ved hjælp af dets ID.
• create_work: Opret nye issues eller tickets i DevRev med egenskaber som titel, brødtekst, tildelte personer og tilknyttede dele.
• update_work: Opdater eksisterende arbejdsopgaver ved at ændre egenskaber som titel, brødtekst, tildelte personer eller tilknyttede dele.
• list_works: List og filtrér arbejdsopgaver baseret på kriterier som status, datoer, tildelte personer, dele og mere.
• get_part: Hent detaljerede oplysninger om en specifik del (forbedring) ved hjælp af dens ID.
• create_part: Opret nye dele med egenskaber som navn, beskrivelse, tildelte personer og overordnede dele.
• update_part: Opdater eksisterende dele ved at ændre egenskaber som navn, beskrivelse, tildelte personer eller måldatoer.
• list_parts: List og filtrér dele baseret på kriterier som datoer, tildelte personer, overordnede dele og mere.

Anvendelsesområder for denne MCP-server

• Arbejdsopgavestyring: Udviklere kan programmæssigt oprette, opdatere, hente og liste issues eller tickets, hvilket effektiviserer projektstyring og automatisering.
• Forbedringsstyring (dele): Teams kan håndtere forbedringer (“dele”) ved at oprette, opdatere eller organisere dem hierarkisk, hvilket understøtter planlægning og opfølgning af funktioner.
• Avanceret søgning: Udfør hybride og namespace-specifikke søgninger på tværs af artikler, issues, brugere og mere, så AI-assistenter hurtigt kan finde relevant DevRev-viden.
• Brugerkontekst-opslag: Få adgang til oplysninger om den aktuelle bruger for at muliggøre personaliserede AI-workflows, fx målrettede notifikationer eller kontekstafhængige forslag.
• Automatiseret rapportering og analyse: Ved at filtrere og liste arbejdsopgaver og dele efter forskellige kriterier kan teams generere rapporter og indsigt til projektopfølgning og beslutningstagning.

Sådan sættes det op

Windsurf

Ingen Windsurf-specifikke instruktioner er angivet i den tilgængelige dokumentation.

Claude

1. Hent din DevRev API-nøgle ved at oprette en konto på https://app.devrev.ai/signup og følge autentificeringsinstruktionerne.
2. Find din Claude Desktop-konfigurationsfil:
   • MacOS: ~/Library/Application Support/Claude/claude_desktop_config.json
   • Windows: %APPDATA%/Claude/claude_desktop_config.json
3. Redigér claude_desktop_config.json for at tilføje DevRev MCP-serveren:

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

4. Gem filen, og genstart Claude Desktop.
5. Bekræft, at DevRev MCP-serveren er tilgængelig i Claude-interfacet.

Bemærk: For udvikling eller upublicerede servere brug følgende konfiguration:

"mcpServers": {
  "devrev": {
    "command": "uv",
    "args": [
      "--directory",
      "Sti til src/devrev_mcp mappe",
      "run",
      "devrev-mcp"
    ],
    "env": {
      "DEVREV_API_KEY": "YOUR_DEVREV_API_KEY"
    }
  }
}

Cursor

Ingen Cursor-specifikke instruktioner er angivet i den tilgængelige dokumentation.

Cline

Ingen Cline-specifikke instruktioner er angivet i den tilgængelige dokumentation.

Sikring af API-nøgler

API-nøgler konfigureres via env-sektionen i din konfigurations-JSON:

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

Dette holder din API-nøgle sikker og ude af din kodebase.

Sådan bruger du denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt-workflow skal du starte med at tilføje MCP-komponenten til dit flow og forbinde den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. I systemets MCP-konfigurationssektion indsætter du dine MCP-serveroplysninger i dette JSON-format:

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

Når dette er konfigureret, kan AI-agenten nu bruge denne MCP som værktøj med adgang til alle dens funktioner og kapaciteter. Husk at ændre “devrev” til navnet på din MCP-server og erstatte URL’en med din egen MCP-server-URL.

Oversigt

| Roots Support | ⛔ | Ikke nævnt |

Vores vurdering:
Baseret på tilgængelig dokumentation leverer DevRev MCP-serveren klare værktøjsdefinitioner og opsætningsvejledning til Claude, men mangler prompt-skabeloner, eksplicitte ressourcebeskrivelser samt information om sampling eller roots-support. Projektet har open source-licens, mindst ét værktøj og nogen aktivitet i fællesskabet, men ville have gavn af mere omfattende dokumentation og instruktioner til flere platforme.

MCP-score

MCP-bedømmelse: 5/10
Projektet er funktionelt med god grunddækning af værktøjer og åben licens, men mangler nogle vigtige MCP-funktioner (prompts, ressourcer, sampling, roots) og mere robuste opsætningsvejledninger på tværs af platforme.