Intégration du serveur MCP WhatsApp

Que fait le serveur MCP “WhatsApp” ?

Le serveur MCP (Model Context Protocol) WhatsApp agit comme un pont entre les assistants IA et votre compte WhatsApp personnel. En se connectant via l’API web multidevice WhatsApp (utilisant la librairie whatsmeow), il permet à des modèles IA comme Claude ou Cursor de rechercher et lire vos messages WhatsApp personnels (y compris images, vidéos, documents, et audio), de rechercher des contacts et d’envoyer des messages à des personnes ou des groupes. Toutes les interactions sont gérées localement : votre historique de messages est stocké dans une base SQLite, et les données ne sont partagées avec l’agent IA que lorsqu’elles sont explicitement accessibles via les outils standardisés. Cette configuration permet aux développeurs et utilisateurs de gérer les communications WhatsApp de manière programmatique, d’automatiser des flux de messagerie et d’intégrer les données WhatsApp dans des processus de développement ou de productivité plus larges—tout en gardant le contrôle sur l’accès aux données.

Liste des prompts

Aucun modèle de prompt n’est mentionné dans la documentation disponible.

Liste des ressources

• La documentation ne liste pas explicitement les ressources MCP exposées par le serveur.

Liste des outils

• search_contacts : Recherche de contacts WhatsApp par nom ou numéro de téléphone.
• list_messages : Récupération de messages WhatsApp avec filtres et paramètres de contexte optionnels.
• list_chats : Liste tous les chats disponibles et leurs métadonnées.
• get_chat : Obtenir des informations détaillées sur un chat spécifique.

Cas d’usage de ce serveur MCP

• Recherche et récupération de messages WhatsApp
  Les développeurs et agents IA peuvent rechercher et récupérer de façon programmatique des messages WhatsApp, y compris le contenu multimédia, pour revue, rapport ou archivage.

• Messagerie automatisée
  Permet l’envoi de messages ou de fichiers médias (images, vidéos, documents, audio) à des personnes ou groupes via des workflows IA, facilitant rappels, notifications ou communications en masse.

• Gestion des contacts
  Prend en charge la recherche et l’organisation des contacts WhatsApp via l’IA, améliorant la productivité des utilisateurs gérant de larges carnets d’adresses.

• Analytique des discussions
  En listant et analysant les métadonnées des discussions et messages, les développeurs peuvent effectuer des analyses ou créer des tableaux de bord sur les habitudes de messagerie, l’activité des groupes ou les tendances de communication.

• Intégration avec des assistants IA
  Permet une interaction fluide entre WhatsApp et des modèles IA (comme Claude ou Cursor), tirant parti de l’IA pour résumer les discussions, rédiger des réponses ou automatiser des tâches répétitives.

Comment le configurer

Windsurf

Aucune instruction d’installation pour Windsurf n’est fournie dans la documentation.

Claude

1. **Prérequis **: Installez Go, Python 3.6+, UV (gestionnaire de paquets Python) et, optionnellement, FFmpeg.
2. Clonez le dépôt :

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

3. Lancez le bridge WhatsApp :

   cd whatsapp-bridge
   go run main.go
   

   Authentifiez-vous via le QR code depuis l’application mobile WhatsApp.
4. Configurez le serveur MCP :
   Sauvegardez le JSON suivant dans ~/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. Redémarrez Claude Desktop : Ouvrez Claude pour voir WhatsApp comme intégration disponible.

Note sur la sécurisation des clés API : Aucune clé API explicite n’est utilisée, mais si besoin, les variables d’environnement peuvent être définies via un bloc env dans la configuration JSON.

Exemple avec variable d’environnement :

{
  "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. Prérequis : Identiques à ci-dessus.
2. Clonez et lancez le bridge : Suivez les mêmes étapes que pour Claude.
3. Configurez le serveur MCP :
   Enregistrez le JSON suivant dans ~/.cursor/mcp.json :

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

4. Redémarrez Cursor pour activer l’intégration.

Note sur la sécurisation des clés API : Utilisez la même approche avec les variables d’environnement que pour Claude si besoin.

Cline

Aucune instruction d’installation pour Cline n’est fournie dans la documentation.

Comment utiliser ce MCP dans les flux

Utilisation du MCP dans FlowHunt

Pour intégrer des serveurs MCP dans votre flux FlowHunt, commencez par ajouter le composant MCP à votre flow et connectez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section configuration du système MCP, saisissez les détails de votre serveur MCP avec ce format JSON :

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

Une fois configuré, l’agent IA pourra utiliser ce MCP comme un outil avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer « whatsapp » par le nom réel de votre serveur MCP et d’indiquer l’URL de votre propre serveur MCP.

Vue d’ensemble

D’après la documentation disponible, le serveur MCP WhatsApp est bien documenté pour la configuration générale et l’utilisation des outils, mais manque d’informations explicites sur les ressources, les modèles de prompt, le support des racines et du sampling. Le projet est mature (licence, populaire, maintenu activement), mais la documentation MCP avancée fait défaut.

Notre avis

Nous donnerions à ce serveur MCP une note de 7/10—robuste, populaire et clair pour l’intégration pratique, mais gagnerait à inclure une documentation plus complète sur les ressources, prompts et fonctionnalités avancées MCP.

Score MCP