WhatsApp MCP Server-integration

Hvad laver “WhatsApp” MCP Server?

WhatsApp MCP (Model Context Protocol) Server fungerer som bro mellem AI-assistenter og din personlige WhatsApp-konto. Ved at oprette forbindelse via WhatsApp web multidevice API (med whatsmeow-biblioteket) gør den det muligt for AI-modeller såsom Claude eller Cursor at søge og læse dine personlige WhatsApp-beskeder (inklusive billeder, videoer, dokumenter og lyd), søge efter kontakter og sende beskeder til enkeltpersoner eller grupper. Alle interaktioner håndteres lokalt: din beskedhistorik gemmes i en SQLite-database, og data deles kun med AI-agenten, når det eksplicit tilgås via standardiserede værktøjer. Denne opsætning gør det muligt for udviklere og brugere at håndtere WhatsApp-kommunikation programmæssigt, automatisere besked-workflows og integrere WhatsApp-data i bredere udviklings- eller produktivitetsprocesser—alt sammen med brugerens kontrol over dataadgang.

Liste over Prompts

Der nævnes ingen prompt-skabeloner i den tilgængelige dokumentation.

Liste over Ressourcer

• Dokumentationen nævner ikke eksplicit MCP-ressourcer, der eksponeres af serveren.

Liste over Værktøjer

• search_contacts: Søg efter WhatsApp-kontakter via navn eller telefonnummer.
• list_messages: Hent WhatsApp-beskeder med valgfrie filtre og kontekstparametre.
• list_chats: Vis alle tilgængelige chats med deres metadata.
• get_chat: Hent detaljerede oplysninger om en specifik chat.

Anvendelsesmuligheder for denne MCP Server

• Søgning og hentning af WhatsApp-beskeder
  Udviklere og AI-agenter kan programmæssigt søge og hente WhatsApp-beskeder, inkl. multimedieindhold, til gennemgang, rapportering eller arkivering.

• Automatiseret beskedafsendelse
  Muliggør afsendelse af beskeder eller mediefiler (billeder, videoer, dokumenter, lyd) til enkeltpersoner eller grupper gennem AI-workflows til f.eks. påmindelser, notifikationer eller massekommunikation.

• Kontaktstyring
  Understøtter søgning og organisering af WhatsApp-kontakter via AI, hvilket øger produktiviteten for brugere med store kontaktlister.

• Chatanalyse
  Ved at liste og analysere metadata fra chats og beskeder kan udviklere udføre analyse eller oprette dashboards over beskedmønstre, gruppeaktivitet eller kommunikationstrends.

• Integration med AI-assistenter
  Muliggør gnidningsfri interaktion mellem WhatsApp og AI-modeller (som Claude eller Cursor), hvor AI kan opsummere chats, udarbejde svar eller automatisere gentagne opgaver.

Sådan opsætter du det

Windsurf

Ingen opsætningsinstruktioner for Windsurf er angivet i dokumentationen.

Claude

1. Forudsætninger: Installer Go, Python 3.6+, UV (Python-pakkemanager) og eventuelt FFmpeg.
2. Klon repoet:

   git clone https://github.com/lharries/whatsapp-mcp.git
   cd whatsapp-mcp
   

3. Kør WhatsApp-broen:

   cd whatsapp-bridge
   go run main.go
   

   Godkend via QR-kode med din WhatsApp-mobilapp.
4. Konfigurer MCP-serveren:
   Gem følgende JSON til ~/Library/Application Support/Claude/claude_desktop_config.json:

   {
     "mcpServers": {
       "whatsapp": {
         "command": "{{PATH_TO_UV}}",
         "args": [
           "--directory",
           "{{PATH_TO_SRC}}/whatsapp-mcp/whatsapp-mcp-server",
           "run",
           "main.py"
         ]
       }
     }
   }
   

5. Genstart Claude Desktop: Åbn Claude for at se WhatsApp som en tilgængelig integration.

Bemærk om sikring af API-nøgler: Der bruges ingen eksplicitte API-nøgler, men hvis nødvendigt kan miljøvariabler angives via en env-blok i JSON-konfigurationen.

Eksempel med miljøvariabel:

{
  "mcpServers": {
    "whatsapp": {
      "command": "{{PATH_TO_UV}}",
      "args": [
        "--directory",
        "{{PATH_TO_SRC}}/whatsapp-mcp/whatsapp-mcp-server",
        "run",
        "main.py"
      ],
      "env": {
        "MY_API_KEY": "your_api_key_here"
      },
      "inputs": {
        "api_key": "${MY_API_KEY}"
      }
    }
  }
}

Cursor

1. Forudsætninger: Samme som ovenfor.
2. Klon og kør broen: Følg trinnene som for Claude.
3. Konfigurer MCP-serveren:
   Gem følgende JSON til ~/.cursor/mcp.json:

   {
     "mcpServers": {
       "whatsapp": {
         "command": "{{PATH_TO_UV}}",
         "args": [
           "--directory",
           "{{PATH_TO_SRC}}/whatsapp-mcp/whatsapp-mcp-server",
           "run",
           "main.py"
         ]
       }
     }
   }
   

4. Genstart Cursor for at aktivere integrationen.

Bemærk om sikring af API-nøgler: Brug samme miljøvariabelmetode som med Claude, hvis nødvendigt.

Cline

Ingen opsætningsinstruktioner for Cline er angivet i dokumentationen.

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 med dette JSON-format:

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

Når det er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og kapaciteter. Husk at ændre “whatsapp” til det faktiske navn på din MCP-server og udskift URL’en med din egen MCP-server-URL.

Oversigt

Ud fra den tilgængelige dokumentation er WhatsApp MCP Server veldokumenteret ift. generel opsætning og værktøjsbrug, men mangler eksplicit information om ressourcer, prompt-skabeloner, roots og sampling support. Projektet er modent (licenseret, populært og aktivt vedligeholdt), men mangler noget avanceret MCP-specifik dokumentation.

Vores vurdering

Vi vil bedømme denne MCP-server til 7/10—den er robust, populær og let at integrere i praksis, men kunne have gavn af mere omfattende dokumentation om MCP-ressourcer, prompts og avancerede funktioner.

MCP-score