DevRev MCP Server

Co robi serwer MCP „DevRev”?

Serwer DevRev MCP to serwer Model Context Protocol (MCP) zaprojektowany, by zapewnić kompleksowy dostęp do API DevRev, umożliwiając płynną integrację funkcji platformy DevRev z asystentami AI i workflow deweloperów. Poprzez ten serwer użytkownicy mogą programistycznie zarządzać zadaniami (takimi jak zgłoszenia i tickety), obsługiwać części (ulepszenia), wykonywać zaawansowane wyszukiwania w danych DevRev oraz pobierać informacje o użytkowniku. Udostępniając te możliwości, serwer DevRev MCP pozwala agentom AI i klientom automatyzować, zapytywać i zarządzać zasobami DevRev, wspierając takie przypadki użycia jak zapytania do bazy, automatyzacje workflow czy kontekstowa pomoc deweloperska.

Lista promptów

W udostępnionych plikach repozytorium ani dokumentacji nie wskazano szablonów promptów.

Lista zasobów

W dostępnej dokumentacji ani kodzie nie wymieniono jawnych zasobów MCP. Prymitywy zasobów nie są wyszczególnione w README ani widocznych plikach.

Lista narzędzi

• search: Wyszukiwanie informacji w DevRev za pomocą API wyszukiwania ze wsparciem różnych przestrzeni nazw (artykuły, zadania, tickety, części, dev_users, konta, rev_orgs).
• get_current_user: Pobieranie szczegółów aktualnie uwierzytelnionego użytkownika DevRev.
• get_work: Pobieranie szczegółowych informacji o konkretnym zadaniu DevRev na podstawie jego ID.
• create_work: Tworzenie nowych zgłoszeń lub ticketów w DevRev z właściwościami takimi jak tytuł, treść, przypisani użytkownicy i powiązane części.
• update_work: Aktualizacja istniejących zadań poprzez modyfikację tytułu, treści, przypisanych użytkowników lub powiązanych części.
• list_works: Wyświetlanie i filtrowanie zadań na podstawie kryteriów takich jak stan, daty, przypisani użytkownicy, części i inne.
• get_part: Pobieranie szczegółowych informacji o konkretnej części (ulepszeniu) na podstawie jej ID.
• create_part: Tworzenie nowych części z właściwościami takimi jak nazwa, opis, przypisani użytkownicy i części nadrzędne.
• update_part: Aktualizacja istniejących części poprzez zmianę nazwy, opisu, przypisanych użytkowników lub dat docelowych.
• list_parts: Wyświetlanie i filtrowanie części według kryteriów takich jak daty, przypisani użytkownicy, części nadrzędne i inne.

Przykłady użycia tego serwera MCP

• Zarządzanie zadaniami: Programiści mogą programistycznie tworzyć, aktualizować, pobierać i wyświetlać zgłoszenia lub tickety, usprawniając zarządzanie projektami i automatyzację.
• Zarządzanie częściami (ulepszeniami): Zespoły mogą zarządzać ulepszeniami (nazywanymi „częściami”) poprzez tworzenie, aktualizowanie lub organizowanie ich hierarchicznie, wspierając planowanie i śledzenie funkcji.
• Zaawansowane wyszukiwanie: Wykonywanie hybrydowych oraz przestrzennie ograniczonych wyszukiwań w artykułach, zadaniach, użytkownikach i innych, umożliwiając agentom AI szybkie znajdowanie istotnej wiedzy DevRev.
• Pobieranie kontekstu użytkownika: Dostęp do informacji o bieżącym użytkowniku pozwala na personalizowane workflow AI, np. dopasowane powiadomienia czy sugestie kontekstowe.
• Automatyczne raportowanie i analityka: Poprzez filtrowanie i wyświetlanie zadań i części według różnych kryteriów, zespoły mogą generować raporty i wnioski przydatne do monitorowania i podejmowania decyzji.

Jak to skonfigurować

Windsurf

W dostępnej dokumentacji nie podano instrukcji specyficznych dla Windsurf.

Claude

1. Zarejestruj się na https://app.devrev.ai/signup i postępuj zgodnie z instrukcją uwierzytelniania, aby uzyskać swój klucz DevRev API.
2. Zlokalizuj plik konfiguracyjny Claude Desktop:
   • MacOS: ~/Library/Application Support/Claude/claude_desktop_config.json
   • Windows: %APPDATA%/Claude/claude_desktop_config.json
3. Edytuj plik claude_desktop_config.json, aby dodać serwer DevRev MCP:

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

4. Zapisz plik i uruchom ponownie Claude Desktop.
5. Zweryfikuj, czy serwer DevRev MCP jest dostępny w interfejsie Claude.

Uwaga: W przypadku serwerów deweloperskich lub nieopublikowanych użyj poniższej konfiguracji:

"mcpServers": {
  "devrev": {
    "command": "uv",
    "args": [
      "--directory",
      "Ścieżka do katalogu src/devrev_mcp",
      "run",
      "devrev-mcp"
    ],
    "env": {
      "DEVREV_API_KEY": "TWÓJ_DEVREV_API_KEY"
    }
  }
}

Cursor

W dostępnej dokumentacji nie podano instrukcji specyficznych dla Cursor.

Cline

W dostępnej dokumentacji nie podano instrukcji specyficznych dla Cline.

Zabezpieczenie kluczy API

Klucze API konfiguruje się w sekcji env w pliku konfiguracyjnym JSON:

"env": {
  "DEVREV_API_KEY": "TWÓJ_DEVREV_API_KEY"
}

Dzięki temu Twój klucz API jest bezpieczny i nie trafia do kodu źródłowego.

Jak użyć tego MCP w przepływach

Korzystanie z MCP w FlowHunt

Aby zintegrować serwery MCP z workflow FlowHunt, zacznij od dodania komponentu MCP do swojego flow i połączenia go z agentem AI:

Kliknij na komponent MCP, aby otworzyć panel konfiguracji. W sekcji systemowej konfiguracji MCP wprowadź dane serwera MCP w tym formacie JSON:

{
  "devrev": {
    "transport": "streamable_http",
    "url": "https://twojserwermcp.example/sciezka_do_mcp/url"
  }
}

Po skonfigurowaniu agent AI może korzystać z tego MCP jako narzędzia ze wszystkimi jego funkcjami i możliwościami. Pamiętaj, aby zamienić “devrev” na faktyczną nazwę swojego serwera MCP i podać własny adres URL serwera MCP.

Przegląd

| Wsparcie dla roots | ⛔ | Nie wspomniano |

Nasza opinia:
Na podstawie dostępnej dokumentacji, serwer DevRev MCP oferuje jasne definicje narzędzi i instrukcje konfiguracji dla Claude, ale brakuje szablonów promptów, jawnych definicji zasobów oraz informacji o wsparciu sampling-u czy roots. Projekt posiada licencję open source, co najmniej jedno narzędzie oraz pewną aktywność społeczności, jednak przydałaby się pełniejsza dokumentacja oraz instrukcje dla innych platform.

Ocena MCP

Ocena MCP: 5/10
Projekt jest funkcjonalny, z dobrym pokryciem podstawowych narzędzi i otwartą licencją, ale brakuje mu niektórych kluczowych cech MCP (promptów, zasobów, sampling-u, roots) i solidniejszych instrukcji cross-platformowych.