WhatsApp MCP-serverintegrasjon

Hva gjør “WhatsApp” MCP-serveren?

WhatsApp MCP (Model Context Protocol) Server fungerer som en bro mellom AI-assistenter og din personlige WhatsApp-konto. Ved å koble til via WhatsApp web multienhets-API (ved bruk av whatsmeow-biblioteket) muliggjør den at AI-modeller som Claude eller Cursor kan søke etter og lese dine personlige WhatsApp-meldinger (inkludert bilder, videoer, dokumenter og lyd), søke etter kontakter og sende meldinger til enkeltpersoner eller grupper. Alle interaksjoner håndteres lokalt: meldingshistorikken din lagres i en SQLite-database, og data deles kun med AI-agenten når de eksplisitt nås gjennom standardiserte verktøy. Denne løsningen lar utviklere og brukere administrere WhatsApp-kommunikasjon programmessig, automatisere meldingsarbeidsflyter og integrere WhatsApp-data i bredere utviklings- eller produktivitetsprosesser—alt mens brukeren beholder kontroll over datatilgang.

Liste over prompts

Ingen prompt-maler er nevnt i tilgjengelig dokumentasjon.

Liste over ressurser

• Dokumentasjonen lister ikke eksplisitt MCP-ressurser eksponert av serveren.

Liste over verktøy

• search_contacts: Søk etter WhatsApp-kontakter ved navn eller telefonnummer.
• list_messages: Hent WhatsApp-meldinger med valgfrie filtre og kontekstparametere.
• list_chats: List opp alle tilgjengelige chatter med deres metadata.
• get_chat: Hent detaljert informasjon om en spesifikk chat.

Bruksområder for denne MCP-serveren

• Søk og uthenting av WhatsApp-meldinger
  Utviklere og AI-agenter kan programmessig søke og hente WhatsApp-meldinger, inkludert multimediainnhold, for gjennomgang, rapportering eller arkivering.

• Automatiserte meldinger
  Muliggjør sending av meldinger eller mediefiler (bilder, videoer, dokumenter, lyd) til enkeltpersoner eller grupper via AI-arbeidsflyter, for å lette påminnelser, varsler eller massekommunikasjon.

• Kontaktadministrasjon
  Støtter søk og organisering av WhatsApp-kontakter via AI, noe som øker produktiviteten for brukere som administrerer store kontaktlister.

• Chat-analyse
  Ved å liste og analysere metadata fra chatter og meldinger kan utviklere utføre analyser eller lage dashbord for meldingsmønstre, gruppeaktivitet eller kommunikasjonstrender.

• Integrasjon med AI-assistenter
  Tilrettelegger for sømløs interaksjon mellom WhatsApp og AI-modeller (som Claude eller Cursor), slik at AI kan oppsummere chatter, utarbeide svar eller automatisere repeterende oppgaver.

Hvordan sette det opp

Windsurf

Ingen oppsettveiledning for Windsurf er gitt i dokumentasjonen.

Claude

1. Forutsetninger: Installer Go, Python 3.6+, UV (Python-pakkebehandler), og eventuelt FFmpeg.
2. Klon repoet:

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

3. Kjør WhatsApp-broen:

   cd whatsapp-bridge
   go run main.go
   

   Autentiser via QR-kode med WhatsApp-mobilappen.
4. Konfigurer MCP-server:
   Lagre følgende JSON til ~/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. Start Claude Desktop på nytt: Åpne Claude for å se WhatsApp som tilgjengelig integrasjon.

Merk om sikring av API-nøkler: Ingen eksplisitte API-nøkler brukes, men hvis nødvendig kan miljøvariabler settes via en env-blokk i JSON-konfigurasjonen.

Eksempel med miljøvariabel:

{
  "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. Forutsetninger: Som over.
2. Klon og kjør broen: Følg trinnene som med Claude.
3. Konfigurer MCP-server:
   Lagre følgende JSON til ~/.cursor/mcp.json:

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

4. Start Cursor på nytt for å aktivere integrasjonen.

Merk om sikring av API-nøkler: Bruk samme miljøvariabeltilnærming som med Claude dersom det er nødvendig.

Cline

Ingen oppsettveiledning for Cline er gitt i dokumentasjonen.

Hvordan bruke denne MCP-en i flows

Bruke MCP i FlowHunt

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

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

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

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

Oversikt

Basert på tilgjengelig dokumentasjon er WhatsApp MCP-serveren godt dokumentert for generell oppsett og bruk av verktøy, men mangler eksplisitt informasjon om ressurser, prompt-maler, roots og sampling-støtte. Prosjektet er modent (lisensiert, populært og aktivt vedlikeholdt), men mangler noe avansert MCP-spesifikk dokumentasjon.

Vår vurdering

Vi gir denne MCP-serveren en 7/10—den er robust, populær og tydelig for praktisk integrasjon, men ville hatt nytte av mer omfattende MCP-ressurs-, prompt- og avansert funksjonsdokumentasjon.

MCP-score