WhatsApp MCP-Server-Integration

Was macht der „WhatsApp“ MCP-Server?

Der WhatsApp MCP (Model Context Protocol) Server fungiert als Brücke zwischen KI-Assistenten und Ihrem persönlichen WhatsApp-Konto. Über die WhatsApp Web Multidevice API (mithilfe der whatsmeow-Bibliothek) können KI-Modelle wie Claude oder Cursor Ihre persönlichen WhatsApp-Nachrichten (einschließlich Bilder, Videos, Dokumente und Audio), Kontakte durchsuchen und Nachrichten an Einzelpersonen oder Gruppen senden. Alle Interaktionen erfolgen lokal: Ihr Nachrichtenverlauf wird in einer SQLite-Datenbank gespeichert und Daten werden nur dann mit dem KI-Agenten geteilt, wenn explizit über standardisierte Tools darauf zugegriffen wird. Dieses Setup ermöglicht es Entwicklern und Nutzern, WhatsApp-Kommunikation programmatisch zu steuern, Nachrichten-Workflows zu automatisieren und WhatsApp-Daten in Entwicklungs- oder Produktivitätsprozesse einzubinden – bei voller Benutzerkontrolle über den Datenzugriff.

Liste der Prompts

In der verfügbaren Dokumentation werden keine Prompt-Vorlagen erwähnt.

Liste der Ressourcen

• Die Dokumentation listet keine expliziten MCP-Ressourcen auf, die vom Server bereitgestellt werden.

Liste der Tools

• search_contacts: WhatsApp-Kontakte nach Name oder Telefonnummer durchsuchen.
• list_messages: WhatsApp-Nachrichten mit optionalen Filtern und Kontextparametern abrufen.
• list_chats: Alle verfügbaren Chats mit ihren Metadaten auflisten.
• get_chat: Detaillierte Informationen zu einem bestimmten Chat abrufen.

Anwendungsfälle dieses MCP-Servers

• WhatsApp-Nachrichten suchen und abrufen
  Entwickler und KI-Agenten können WhatsApp-Nachrichten – inklusive Multimedia-Inhalten – programmatisch suchen und abrufen, z.B. für Überprüfung, Berichte oder Archivierung.

• Automatisiertes Messaging
  Ermöglicht das Senden von Nachrichten oder Mediendateien (Bilder, Videos, Dokumente, Audio) an Einzelpersonen oder Gruppen über KI-Workflows – für Erinnerungen, Benachrichtigungen oder Massenkommunikation.

• Kontaktmanagement
  Unterstützt das Suchen und Organisieren von WhatsApp-Kontakten via KI, was die Produktivität für Nutzer mit großen Kontaktlisten erhöht.

• Chat-Analysen
  Durch das Auflisten und Analysieren von Metadaten aus Chats und Nachrichten können Entwickler Analysen durchführen oder Dashboards zu Kommunikationsmustern, Gruppenaktivitäten oder Trends erstellen.

• Integration mit KI-Assistenten
  Erlaubt die nahtlose Interaktion zwischen WhatsApp und KI-Modellen (wie Claude oder Cursor), um Chats zusammenzufassen, Antwortentwürfe zu erstellen oder wiederkehrende Aufgaben zu automatisieren.

Einrichtung

Windsurf

In der Dokumentation sind keine Einrichtungshinweise für Windsurf enthalten.

Claude

1. Voraussetzungen: Installieren Sie Go, Python 3.6+, UV (Python-Paketmanager) und optional FFmpeg.
2. Repository klonen:

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

3. WhatsApp-Bridge ausführen:

   cd whatsapp-bridge
   go run main.go
   

   Authentifizieren Sie sich über den QR-Code mit Ihrer WhatsApp-Handy-App.
4. MCP-Server konfigurieren:
   Speichern Sie folgendes JSON unter ~/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. Claude Desktop neu starten: Öffnen Sie Claude, um WhatsApp als verfügbare Integration zu sehen.

Hinweis zu API-Schlüsseln: Es werden keine expliziten API-Schlüssel verwendet, aber falls nötig, können Umgebungsvariablen über einen env-Block in der JSON-Konfiguration gesetzt werden.

Beispiel mit Umgebungsvariable:

{
  "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. Voraussetzungen: Wie oben.
2. Bridge klonen und starten: Folgen Sie den Schritten wie bei Claude.
3. MCP-Server konfigurieren:
   Speichern Sie folgendes JSON unter ~/.cursor/mcp.json:

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

4. Cursor neu starten um die Integration zu aktivieren.

Hinweis zu API-Schlüsseln: Verwenden Sie bei Bedarf denselben Ansatz mit Umgebungsvariablen wie bei Claude.

Cline

In der Dokumentation sind keine Einrichtungshinweise für Cline enthalten.

Verwendung dieses MCP in Flows

MCP in FlowHunt nutzen

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Im Bereich System-MCP-Konfiguration fügen Sie Ihre MCP-Server-Details in folgendem JSON-Format ein:

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

Nach der Konfiguration kann der KI-Agent dieses MCP als Tool mit Zugriff auf alle Funktionen und Fähigkeiten nutzen. Denken Sie daran, “whatsapp” ggf. durch den tatsächlichen Namen Ihres MCP-Servers zu ersetzen und die URL an die Adresse Ihres eigenen MCP-Servers anzupassen.

Übersicht

Basierend auf der verfügbaren Dokumentation ist der WhatsApp MCP-Server für allgemeine Einrichtung und Tool-Nutzung gut dokumentiert, es fehlen jedoch explizite Informationen zu Ressourcen, Prompt-Vorlagen, Roots und Sampling-Support. Das Projekt ist ausgereift (lizenziert, beliebt und aktiv gepflegt), aber es fehlt teils erweiterte MCP-spezifische Dokumentation.

Unsere Meinung

Wir bewerten diesen MCP-Server mit 7/10 – er ist robust, weit verbreitet und für die praktische Integration klar beschrieben, würde aber von detaillierterer Dokumentation zu Ressourcen, Prompts und fortgeschrittenen Features profitieren.

MCP-Bewertung