DevRev MCP-server

Hva gjør “DevRev” MCP-serveren?

DevRev MCP-serveren er en Model Context Protocol (MCP)-server utviklet for å gi omfattende tilgang til DevRev sine API-er, og muliggjør sømløs integrasjon av DevRev-plattformens funksjonalitet i AI-assistenter og utvikler-arbeidsflyter. Gjennom denne serveren kan brukere programmessig samhandle med DevRev for å håndtere arbeidsoppgaver (som saker og billetter), administrere deler (forbedringer), utføre avanserte søk på tvers av DevRev-data og hente brukerinformasjon. Ved å eksponere disse mulighetene gir DevRev MCP-serveren AI-agenter og klienter muligheten til å automatisere, søke og administrere DevRev-ressurser, og støtter brukstilfeller som databaseforespørsler, arbeidsflytautomatisering og kontekstsensitiv utviklerhjelp.

Liste over Prompter

Ingen prompt-maler er eksplisitt nevnt i de tilgjengelige repository-filene eller dokumentasjonen.

Klar til å vokse bedriften din?

Start din gratis prøveperiode i dag og se resultater i løpet av få dager.

Be om demo Logg inn

Liste over Ressurser

Ingen eksplisitte MCP-ressurser er oppført i den tilgjengelige dokumentasjonen eller koden. Ressursprimitiver er ikke detaljert i README eller synlige filer.

Liste over Verktøy

• search: Søk etter informasjon i DevRev ved å bruke søke-API med støtte for ulike navnerom (artikler, saker, billetter, deler, dev_users, accounts, rev_orgs).
• get_current_user: Hent detaljer om den nåværende autentiserte DevRev-brukeren.
• get_work: Hent omfattende informasjon om en spesifikk DevRev arbeidsoppgave ved å bruke dens ID.
• create_work: Opprett nye saker eller billetter i DevRev med egenskaper som tittel, innhold, ansvarlige og tilknyttede deler.
• update_work: Oppdater eksisterende arbeidsoppgaver ved å endre egenskaper som tittel, innhold, ansvarlige eller tilknyttede deler.
• list_works: List og filtrer arbeidsoppgaver basert på kriterier som status, datoer, ansvarlige, deler og mer.
• get_part: Hent detaljert informasjon om en spesifikk del (forbedring) med dens ID.
• create_part: Opprett nye deler med egenskaper som navn, beskrivelse, ansvarlige og foreldredeler.
• update_part: Oppdater eksisterende deler ved å endre egenskaper som navn, beskrivelse, ansvarlige eller måldatoer.
• list_parts: List og filtrer deler basert på kriterier som datoer, ansvarlige, foreldredeler og mer.

Bli med i vårt nyhetsbrev

Få de siste tipsene, trendene og tilbudene gratis.

E-postadresse

Abonner

Bruksområder for denne MCP-serveren

• Håndtering av arbeidsoppgaver: Utviklere kan programmessig opprette, oppdatere, hente og liste saker eller billetter, noe som effektiviserer prosjektstyring og automatisering.
• Forbedringshåndtering (deler): Team kan administrere forbedringer (kalt “deler”) ved å opprette, oppdatere eller organisere dem hierarkisk, noe som støtter funksjonsplanlegging og oppfølging.
• Avansert søk: Utfør hybride og navneromsspesifikke søk på tvers av artikler, saker, brukere og mer, slik at AI-assistenter raskt kan finne relevant DevRev-kunnskap.
• Henting av brukerkontekst: Få tilgang til informasjon om nåværende bruker for å aktivere personaliserte AI-arbeidsflyter, som tilpassede varsler eller kontekstsensitive forslag.
• Automatisert rapportering og analyse: Ved å filtrere og liste arbeidsoppgaver og deler med ulike kriterier kan team generere rapporter og innsikt for prosjektoppfølging og beslutningsstøtte.

Slik setter du det opp

Windsurf

Ingen Windsurf-spesifikke instruksjoner er oppgitt i den tilgjengelige dokumentasjonen.

Claude

1. Skaff deg din DevRev API-nøkkel ved å registrere deg på https://app.devrev.ai/signup og følge autentiseringsinstruksjonene.
2. Finn din Claude Desktop-konfigurasjonsfil:
   • MacOS: ~/Library/Application Support/Claude/claude_desktop_config.json
   • Windows: %APPDATA%/Claude/claude_desktop_config.json
3. Rediger claude_desktop_config.json-filen for å legge til DevRev MCP-serveren:

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

4. Lagre filen og start Claude Desktop på nytt.
5. Verifiser at DevRev MCP-serveren er tilgjengelig i Claude-grensesnittet.

Merk: For utvikling eller upubliserte servere, bruk følgende konfigurasjon:

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

Cursor

Ingen Cursor-spesifikke instruksjoner er oppgitt i den tilgjengelige dokumentasjonen.

Cline

Ingen Cline-spesifikke instruksjoner er oppgitt i den tilgjengelige dokumentasjonen.

Sikring av API-nøkler

API-nøkler konfigureres via env-seksjonen i din konfigurasjons-JSON:

"env": {
  "DEVREV_API_KEY": "DIN_DEVREV_API_NØKKEL"
}

Dette holder API-nøkkelen din sikker og utenfor kodebasen.

Hvordan bruke denne MCP-en i flyter

Bruk av MCP i FlowHunt

For å integrere MCP-servere i din FlowHunt-arbeidsflyt, start med å legge til MCP-komponenten i flyten din og koble den til AI-agenten:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I system-MCP-konfigurasjonsseksjonen legger du inn detaljene for MCP-serveren din med dette JSON-formatet:

{
  "devrev": {
    "transport": "streamable_http",
    "url": "https://dinmcpserver.eksempel/stimcptilurl"
  }
}

Når den er konfigurert, kan AI-agenten nå bruke denne MCP-en som et verktøy med tilgang til alle dens funksjoner og muligheter. Husk å endre “devrev” til det faktiske navnet på din MCP-server og bytt ut URL-en med din egen MCP-server-URL.

Oversikt

| Roots-støtte | ⛔ | Ikke nevnt |

Vår mening:
Basert på tilgjengelig dokumentasjon gir DevRev MCP-serveren tydelige verktøydefinisjoner og oppsettinstruksjoner for Claude, men mangler prompt-maler, eksplisitte ressursdefinisjoner og informasjon om sampling- eller roots-støtte. Prosjektet har åpen kildekode-lisens, minst ett verktøy og noe aktivitet i fellesskapet, men vil dra nytte av mer omfattende dokumentasjon og flere plattformspesifikke instruksjoner.

MCP-score

MCP-vurdering: 5/10
Selv om prosjektet er funksjonelt med god dekning av viktige verktøy og åpen lisensiering, mangler det noen sentrale MCP-funksjoner (prompter, ressurser, sampling, roots) samt mer robuste tverrplattform-oppsettinstruksjoner.