Hva gjør “HubSpot” MCP Server?

HubSpot MCP (Model Context Protocol) Server er laget for å gjøre det mulig for AI-assistenter å samhandle direkte med HubSpot CRM-data. Ved å fungere som en bro mellom AI-modeller og HubSpot-kontoen din, gir denne serveren sømløs tilgang til kontakter, selskaper og engasjementsmålinger. Den har innebygd vektorlager (med FAISS) for semantisk søk og cache-mekanismer som hjelper å overvinne begrensninger i HubSpot API, og sikrer raskere og mer pålitelige svar. Fokuset er på CRM-operasjoner med høy verdi og hyppig bruk, med robust feilhåndtering og AI-vennlig optimalisering. Dette gjør komplekse CRM-arbeidsflyter mer effektive og forbedrer mulighetene for AI-utvikling ved å gi direkte, kontekstrik tilgang til forretningsdata.

Liste over Prompter

• (Ingen eksplisitte promptmaler funnet i repositoriet. Seksjonen “Example Prompts” i README inneholder kun brukerprompteksempler, ikke gjenbrukbare maler.)

Liste over Resurser

(Ingen eksplisitte ressurser er beskrevet i repositoriet eller dokumentasjonen. Ingen MCP-ressursprimitiver er listet.)

Liste over Verktøy

• hubspot_create_contact
  Opprett HubSpot-kontakter med duplikatkontroll.

• hubspot_create_company
  Opprett HubSpot-selskaper med duplikatkontroll.

• hubspot_get_company_activity
  Hent aktivitet for spesifikke selskaper.

• hubspot_get_active_companies
  Hent nylig aktive selskaper.

• hubspot_get_active_contacts
  Hent nylig aktive kontakter.

• hubspot_get_recent_conversations
  Hent siste samtaletråder med meldinger.

• hubspot_search_data
  Semantisk søk på tidligere hentede HubSpot-data.

Bruksområder for denne MCP-serveren

• Automatisert kontaktopprettelse
  Gjør det mulig for AI-assistenter å opprette nye kontakter i HubSpot direkte fra samtaler, e-poster eller LinkedIn-profiltekst, og effektiviserer lead-innsamling og reduserer manuelt arbeid.

• Selskapsdatabehandling
  Forenkle prosessen med å opprette og oppdatere selskapsprofiler i HubSpot gjennom AI-drevne arbeidsflyter, og sikre nøyaktige og oppdaterte CRM-oppføringer.

• Aktivitets- og engasjementsmonitorering
  Hent siste aktivitet på selskaper og kontakter, slik at salgsteam og AI-agenter kan overvåke engasjement og følge opp mer effektivt.

• Samtaleanalyse
  Få tilgang til og analyser siste samtaletråder, slik at AI kan oppsummere interaksjoner eller identifisere oppfølgingsmuligheter.

• Semantisk CRM-søk
  Bruk innebygd vektorlager for å utføre semantiske søk på HubSpot-data, slik at AI enkelt kan finne relevant informasjon i tidligere interaksjoner og CRM-oppføringer.

Hvordan sette det opp

Windsurf

1. Sørg for at du har Docker installert.
2. Skaff HubSpot tilgangstokenet ditt med nødvendige tilganger.
3. I Windsurf-konfigurasjonen, finn seksjonen for MCP-servere.
4. Legg til HubSpot MCP-serveren med følgende JSON-utdrag:

   {
     "mcpServers": {
       "hubspot": {
         "command": "docker",
         "args": [
           "run", "-i", "--rm",
           "-e", "HUBSPOT_ACCESS_TOKEN=your_token",
           "-v", "/path/to/storage:/storage",
           "buryhuang/mcp-hubspot:latest"
         ]
       }
     }
   }
   

5. Lagre konfigurasjonen og start Windsurf på nytt.
6. Verifiser oppsettet ved å forespørre HubSpot-data gjennom Windsurf.

Claude

1. Installer Node.js hvis det mangler.
2. Skaff HubSpot tilgangstokenet ditt.
3. Rediger Claude-konfigurasjonen for å inkludere MCP-serveren.
4. Sett inn HubSpot MCP-serveren slik:

   {
     "mcpServers": {
       "hubspot": {
         "command": "docker",
         "args": [
           "run", "-i", "--rm",
           "-e", "HUBSPOT_ACCESS_TOKEN=your_token",
           "-v", "/path/to/storage:/storage",
           "buryhuang/mcp-hubspot:latest"
         ]
       }
     }
   }
   

5. Lagre og start Claude på nytt.
6. Bekreft at MCP-serveren vises og svarer.

Cursor

1. Installer Docker og Node.js.
2. Skaff HubSpot tilgangstokenet.
3. Åpne Cursor-konfigurasjonsfilen.
4. Legg til dette under mcpServers:

   {
     "mcpServers": {
       "hubspot": {
         "command": "docker",
         "args": [
           "run", "-i", "--rm",
           "-e", "HUBSPOT_ACCESS_TOKEN=your_token",
           "-v", "/path/to/storage:/storage",
           "buryhuang/mcp-hubspot:latest"
         ]
       }
     }
   }
   

5. Lagre endringer og start Cursor på nytt.

Cline

1. Sørg for at Docker er installert.
2. Skaff HubSpot tilgangstokenet.
3. I Cline-miljøet ditt, åpne relevant konfigurasjonsfil.
4. Legg til:

   {
     "mcpServers": {
       "hubspot": {
         "command": "docker",
         "args": [
           "run", "-i", "--rm",
           "-e", "HUBSPOT_ACCESS_TOKEN=your_token",
           "-v", "/path/to/storage:/storage",
           "buryhuang/mcp-hubspot:latest"
         ]
       }
     }
   }
   

5. Lagre og start Cline på nytt.

Sikring av API-nøkler
Det er best praksis å sikre HubSpot tilgangstokenet ved å bruke miljøvariabler i stedet for å hardkode verdier. Eksempel:

{
  "mcpServers": {
    "hubspot": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-e", "HUBSPOT_ACCESS_TOKEN=${HUBSPOT_ACCESS_TOKEN}",
        "-v", "/path/to/storage:/storage",
        "buryhuang/mcp-hubspot:latest"
      ],
      "env": {
        "HUBSPOT_ACCESS_TOKEN": "your_token"
      }
    }
  }
}

Hvordan bruke denne MCP-en i flows

Bruk av MCP i FlowHunt

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

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon limer du inn MCP-serverdetaljene dine med dette JSON-formatet:

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

Når det er konfigurert, kan AI-agenten nå bruke denne MCP-en som et verktøy med tilgang til alle funksjoner og muligheter. Husk å endre “hubspot” til det faktiske navnet på MCP-serveren din (f.eks. “github-mcp”, “weather-api”, etc.) og bytt ut URL-en med din egen MCP-server-URL.

Oversikt

Min samlede vurdering av HubSpot MCP-serveren er:
Selv om serveren er robust med gode verktøy og dokumentasjon for oppsett, begrenser mangelen på eksplisitte promptmaler og MCP-ressursprimitiver fleksibiliteten for avanserte AI-arbeidsflyter. Sampling- og roots-støtte er ikke nevnt. Den er egnet for praktisk CRM-bruk, men kunne hatt fordel av bredere MCP-funksjonsdekning.

MCP Score

MCP Tabellscore: 7/10