
Metoro MCP Server-integrasjon
Metoro MCP Server kobler AI-agenter til eksterne datakilder, API-er og tjenester, slik at FlowHunt-brukere kan automatisere arbeidsflyter, standardisere integra...
Integrer sanntidsanalyse av sosiale medier og automatisk planlegging i AI-arbeidsflytene dine ved å bruke Metricool MCP-serveren—din alt-i-ett-bro til smartere, datadrevet markedsføring.
Metricool MCP-serveren er en Model Context Protocol (MCP)-server designet for å koble seg til Metricool API-et, slik at AI-agenter kan få tilgang til, hente og analysere sosiale mediemålinger og kampanjedata fra en brukers Metricool-konto. Ved å fungere som en bro mellom AI-assistenter og Metricool-plattformen, gir denne serveren utviklere og agenter mulighet til å automatisere uthenting av handlingsorienterte innsikter, administrere og planlegge innlegg i sosiale medier, samt overvåke annonseytelse på tvers av flere nettverk. Verktøypakken støtter oppgaver som å hente analyser for innlegg og kampanjer, planlegge innhold og sammenligne mot konkurrenter, og legger til rette for mer effektive og datadrevne arbeidsflyter for sosiale medier-ansvarlige, markedsførere og utviklere.
Ingen informasjon om prompt-maler ble funnet i depotet.
Ingen eksplisitte MCP-ressurser er dokumentert i depotet.
get_brands(state: str)
Henter listen over merkevarer tilknyttet din Metricool-konto.
get_instagram_reels(init_date: str, end_date: str, blog_id: int)
Henter Instagram Reels-data for en gitt merkevare og datoperiode.
get_instagram_posts(init_date: str, end_date: str, blog_id: int)
Henter Instagram-innlegg for en spesifisert merkevare og datoperiode.
get_instagram_stories(init_date: str, end_date: str, blog_id: int)
Henter Instagram Stories innenfor en datoperiode for en spesifikk merkevare.
get_tiktok_videos(init_date: str, end_date: str, blog_id: int)
Henter TikTok-videoer for valgt merkevare og periode.
get_facebook_reels(init_date: str, end_date: str, blog_id: int)
Henter Facebook Reels fra en Metricool-merkevarekonto.
get_facebook_posts(init_date: str, end_date: str, blog_id: int)
Henter Facebook-innlegg for en bestemt merkevarekonto og datoperiode.
get_facebook_stories(init_date: str, end_date: str, blog_id: int)
Henter Facebook Stories fra en merkevarekonto.
get_thread_posts(init_date: str, end_date: str, blog_id: int)
Henter Threads-innlegg fra merkevarekontoen.
get_x_posts(init_date: str, end_date: str, blog_id: int)
Henter X (Twitter)-innlegg for en merkevare og tidsperiode.
get_bluesky_posts(init_date: str, end_date: str, blog_id: int)
Henter Bluesky-innlegg for merkevaren.
get_linkedin_posts(init_date: str, end_date: str, blog_id: int)
Henter LinkedIn-innlegg fra merkevarekontoen.
get_pinterest_pins(init_date: str, end_date: str, blog_id: int)
Henter Pinterest Pins for en merkevare.
get_youtube_videos(init_date: str, end_date: str, blog_id: int)
Henter YouTube-videoer publisert av merkevaren.
get_twitch_videos(init_date: str, end_date: str, blog_id: int)
Henter Twitch-videoer fra merkevarekontoen.
get_facebookads_campaigns(init_date: str, end_date: str, blog_id: int)
Henter data om Facebook Ads-kampanjer.
get_googleads_campaigns(init_date: str, end_date: str, blog_id: int)
Henter Google Ads-kampanjer for merkevaren.
get_tiktokads_campaigns(init_date: str, end_date: str, blog_id: int)
Henter TikTok Ads-kampanjer fra merkevarekontoen.
get_network_competitors
Henter listen over konkurrenter (på tvers av Instagram, Facebook, X, Bluesky, YouTube og Twitch).
post_schedule_post
Planlegger ett eller flere innlegg for merkevare(r) i Metricool.
get_scheduled_posts
Henter planlagte innlegg fra Metricool-kontoen.
get_best_time_to_post
Finner det beste tidspunktet for å publisere innhold på sosiale medier.
Automatisert analyse av sosiale medier
Utviklere kan automatisere uthenting og analyse av målinger på tvers av plattformer (Instagram, Facebook, X, osv.), og muliggjøre sanntidsdashbord og tilpassede rapporter for sosiale team.
Innholdsplanlegging
AI-agenter kan planlegge innlegg eller flere innlegg for ulike merkevarer, noe som øker effektiviteten i arbeidsflyten og sikrer rettidig publisering uten manuell innsats.
Konkurrentbenchmarking
Ved å hente konkurrentdata kan utviklere og markedsførere sammenligne ytelse på tvers av nettverk og tilpasse strategier deretter.
Overvåkning av annonsekampanjer
Innhenting av målinger fra Facebook-, Google- og TikTok-annonser gir ytelsesovervåkning, budsjettoptimalisering og ROI-analyse i egne apper eller dashbord.
Funn av optimal publiseringstid
Ved å bruke analyser for å finne det beste tidspunktet for publisering på ulike kanaler, kan AI-agenter gi råd om eller automatisere optimal planlegging for høyere engasjement.
Ingen instruksjoner funnet for Windsurf.
~/Library/Application Support/Claude/claude_desktop_config.json
%APPDATA%/Claude/claude_desktop_config.json
{
"mcpServers": {
"mcp-metricool": {
"command": "uvx",
"args": [
"mcp-metricool"
],
"env": {
"METRICOOL_USER_TOKEN": "<METRICOOL_USER_TOKEN>",
"METRICOOL_USER_ID": "<METRICOOL_USER_ID>"
}
}
}
}
API-nøkler settes via miljøvariabler i "env"
-seksjonen som vist ovenfor, slik at sensitiv informasjon ikke hardkodes.
Ingen instruksjoner funnet for Cursor.
Ingen instruksjoner funnet for Cline.
Bruke MCP i FlowHunt
For å integrere MCP-servere i FlowHunt-arbeidsflyten din, start med å legge til MCP-komponenten i flyten og koble den til AI-agenten din:
Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon legger du inn MCP-serverdetaljene dine med dette JSON-formatet:
{
"mcp-metricool": {
"transport": "streamable_http",
"url": "https://yourmcpserver.example/pathtothemcp/url"
}
}
Når det er konfigurert, kan AI-agenten bruke denne MCP-en som et verktøy med tilgang til alle dens funksjoner og muligheter. Husk å endre "mcp-metricool"
til ditt faktiske servernavn og oppdatere url-en deretter.
Seksjon | Tilgjengelighet | Detaljer/Notater |
---|---|---|
Oversikt | ✅ | Oversikt og rolle gitt |
Liste over prompt-maler | ⛔ | Ingen prompt-maler funnet |
Liste over ressurser | ⛔ | Ingen eksplisitte ressurser oppført |
Liste over verktøy | ✅ | Detaljert verktøy-/funksjonsliste tilgjengelig |
Sikring av API-nøkler | ✅ | Miljøvariabel-metode vist i konfigurasjonen |
Støtte for sampling (mindre viktig i evaluering) | ⛔ | Ingen bevis på sampling-støtte i depotet |
Metricool MCP tilbyr et robust sett med verktøy for analyse og administrasjon av sosiale medier, med tydelige oppsettinstruksjoner for Claude Desktop og stor nytteverdi for markedsførere og utviklere. Fraværet av dokumenterte prompt-maler, ressurser og bredere klientoppsett (for Windsurf, Cursor, etc.) begrenser imidlertid allsidigheten ut av boksen. Sampling- og Roots-støtte er ikke nevnt.
Vurdering: 6/10
Har en LISENS | ✅ (Apache-2.0) |
---|---|
Har minst ett verktøy | ✅ |
Antall forgreininger | 7 |
Antall stjerner | 10 |
Metricool MCP-serveren er en Model Context Protocol-server som kobler FlowHunt AI-agenter til Metricool API-et, og muliggjør automatisert tilgang til sosiale mediemålinger, kampanjeanalyse, innholdsplanlegging og konkurrentbenchmarking på tvers av flere plattformer.
Støttede plattformer inkluderer Instagram, Facebook, X (Twitter), TikTok, LinkedIn, Pinterest, Bluesky, YouTube og Twitch, med analyse- og planleggingsverktøy for innlegg, reels, stories, annonser og mer.
Vanlige bruksområder inkluderer sanntidsanalyse av sosiale medier, masseplanlegging av innhold, konkurrentbenchmarking, overvåkning av annonsekampanjers ytelse og å finne optimale publiseringstidspunkter—alt automatisert i AI-arbeidsflyter.
API-nøkler og bruker-ID-er settes sikkert som miljøvariabler i MCP-serverkonfigurasjonen, slik at sensitiv informasjon aldri hardkodes eller eksponeres i prosjektet ditt.
Foreløpig er det kun dokumentert oppsett for Claude Desktop. Støtte for Windsurf, Cursor og Cline er ikke eksplisitt beskrevet, men manuell konfigurasjon kan være mulig ved å følge lignende trinn.
Automatiser analyser, planlegging og ytelsesovervåkning på tvers av plattformer—sett opp Metricool MCP-serveren i FlowHunt i dag.
Metoro MCP Server kobler AI-agenter til eksterne datakilder, API-er og tjenester, slik at FlowHunt-brukere kan automatisere arbeidsflyter, standardisere integra...
Strava MCP-serveren bygger bro mellom store språkmodeller (LLM-er) og Strava API-et, og gjør det mulig for AI-assistenter å få sikker tilgang til, analysere og ...
Prometheus MCP-serveren gjør det mulig for AI-assistenter å samhandle med Prometheus-metrikker via standardiserte Model Context Protocol (MCP)-grensesnitt. Den ...