Integración del Servidor MCP de WhatsApp

¿Qué hace el Servidor MCP de “WhatsApp”?

El Servidor MCP (Model Context Protocol) de WhatsApp actúa como un puente entre los asistentes de IA y tu cuenta personal de WhatsApp. Al conectarse mediante la API web multidevice de WhatsApp (usando la librería whatsmeow), permite que modelos de IA como Claude o Cursor busquen y lean tus mensajes personales de WhatsApp (incluyendo imágenes, videos, documentos y audios), busquen contactos y envíen mensajes a individuos o grupos. Todas las interacciones se gestionan localmente: tu historial de mensajes se almacena en una base de datos SQLite y los datos solo se comparten con el agente de IA cuando se acceden explícitamente a través de herramientas estandarizadas. Esta configuración permite a desarrolladores y usuarios gestionar comunicaciones de WhatsApp de forma programática, automatizar flujos de mensajería e integrar datos de WhatsApp en procesos de desarrollo o productividad más amplios, todo manteniendo el control del usuario sobre el acceso a los datos.

Lista de Prompts

No se mencionan plantillas de prompts en la documentación disponible.

Lista de Recursos

• La documentación no lista explícitamente recursos MCP expuestos por el servidor.

Lista de Herramientas

• search_contacts: Buscar contactos de WhatsApp por nombre o número de teléfono.
• list_messages: Recuperar mensajes de WhatsApp con filtros y parámetros de contexto opcionales.
• list_chats: Listar todos los chats disponibles con sus metadatos.
• get_chat: Obtener información detallada sobre un chat específico.

Casos de Uso de este Servidor MCP

• Búsqueda y Recuperación de Mensajes de WhatsApp
  Desarrolladores y agentes de IA pueden buscar y recuperar mensajes de WhatsApp de forma programática, incluyendo contenido multimedia, para revisión, informes o archivado.

• Mensajería Automatizada
  Permite enviar mensajes o archivos multimedia (imágenes, videos, documentos, audio) a individuos o grupos mediante flujos de trabajo de IA, facilitando recordatorios, notificaciones o comunicaciones masivas.

• Gestión de Contactos
  Permite buscar y organizar contactos de WhatsApp a través de la IA, mejorando la productividad de usuarios que gestionan grandes listas de contactos.

• Analítica de Chats
  Al listar y analizar los metadatos de chats y mensajes, los desarrolladores pueden realizar analítica o crear paneles sobre patrones de mensajería, actividad de grupos o tendencias de comunicación.

• Integración con Asistentes de IA
  Permite una interacción fluida entre WhatsApp y modelos de IA (como Claude o Cursor), aprovechando la IA para resumir chats, redactar respuestas o automatizar tareas repetitivas.

Cómo configurarlo

Windsurf

No se proporcionan instrucciones de configuración para Windsurf en la documentación.

Claude

1. Prerrequisitos: Instala Go, Python 3.6+, UV (gestor de paquetes de Python) y, opcionalmente, FFmpeg.
2. Clona el repositorio:

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

3. Ejecuta el puente de WhatsApp:

   cd whatsapp-bridge
   go run main.go
   

   Autentícate mediante código QR usando la app móvil de WhatsApp.
4. Configura el servidor MCP:
   Guarda el siguiente JSON en ~/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. Reinicia Claude Desktop: Abre Claude para ver WhatsApp como una integración disponible.

Nota sobre la seguridad de claves API: No se usan claves API explícitas, pero si es necesario, se pueden establecer variables de entorno mediante un bloque env en la configuración JSON.

Ejemplo con variable de entorno:

{
  "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. Prerrequisitos: Los mismos que arriba.
2. Clona y ejecuta el puente: Sigue los pasos como con Claude.
3. Configura el servidor MCP:
   Guarda el siguiente JSON en ~/.cursor/mcp.json:

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

4. Reinicia Cursor para activar la integración.

Nota sobre la seguridad de claves API: Usa la misma aproximación de variables de entorno que en Claude si es necesario.

Cline

No se proporcionan instrucciones de configuración para Cline en la documentación.

Cómo usar este MCP dentro de flujos

Uso de MCP en FlowHunt

Para integrar servidores MCP en tu flujo de trabajo de FlowHunt, comienza agregando el componente MCP a tu flujo y conectándolo a tu agente de IA:

Haz clic en el componente MCP para abrir el panel de configuración. En la sección de configuración del sistema MCP, inserta los detalles de tu servidor MCP usando este formato JSON:

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

Una vez configurado, el agente de IA podrá usar este MCP como una herramienta con acceso a todas sus funciones y capacidades. Recuerda cambiar “whatsapp” por el nombre real de tu servidor MCP y reemplazar la URL por la de tu propio servidor MCP.

Resumen

Según la documentación disponible, el Servidor MCP de WhatsApp está bien documentado para la configuración general y el uso de herramientas, pero carece de información explícita sobre recursos, plantillas de prompts, roots y soporte para sampling. El proyecto es maduro (con licencia, popular y mantenido activamente), pero falta documentación avanzada específica de MCP.

Nuestra opinión

Calificamos este servidor MCP con un 7/10: es robusto, popular y claro para integraciones prácticas, pero mejoraría con documentación más completa sobre recursos MCP, prompts y características avanzadas.

Puntuación MCP