Integracja z WhatsApp MCP Server

Co robi „WhatsApp” MCP Server?

WhatsApp MCP (Model Context Protocol) Server działa jako most między asystentami AI a Twoim osobistym kontem WhatsApp. Łącząc się przez wielourządzeniowe API WhatsApp Web (wykorzystując bibliotekę whatsmeow), umożliwia modelom AI takim jak Claude czy Cursor wyszukiwanie i odczytywanie Twoich osobistych wiadomości WhatsApp (w tym obrazów, wideo, dokumentów i dźwięków), wyszukiwanie kontaktów i wysyłanie wiadomości do osób lub grup. Wszystkie interakcje obsługiwane są lokalnie: historia wiadomości przechowywana jest w bazie SQLite, a dane są przekazywane agentowi AI tylko wtedy, gdy zostaną przez Ciebie wyraźnie pobrane przez standaryzowane narzędzia. Takie podejście umożliwia programistom i użytkownikom programowe zarządzanie komunikacją WhatsApp, automatyzację workflow wiadomości oraz integrację danych WhatsApp z szerszymi procesami rozwoju lub produktywności — zachowując pełną kontrolę użytkownika nad dostępem do danych.

Lista promptów

W dostępnej dokumentacji nie są wymienione szablony promptów.

Lista zasobów

• Dokumentacja nie zawiera jawnej listy zasobów MCP udostępnianych przez serwer.

Lista narzędzi

• search_contacts: Wyszukiwanie kontaktów WhatsApp po nazwie lub numerze telefonu.
• list_messages: Pobieranie wiadomości WhatsApp z opcjonalnymi filtrami i parametrami kontekstowymi.
• list_chats: Listowanie wszystkich dostępnych czatów wraz z ich metadanymi.
• get_chat: Pobieranie szczegółowych informacji o konkretnym czacie.

Przykłady użycia tego serwera MCP

• Wyszukiwanie i pobieranie wiadomości WhatsApp
  Programiści i agenci AI mogą programowo wyszukiwać i pobierać wiadomości WhatsApp, w tym multimedia, do przeglądu, raportowania lub archiwizacji.

• Automatyczne wysyłanie wiadomości
  Umożliwia wysyłkę wiadomości lub plików multimedialnych (obrazy, wideo, dokumenty, audio) do osób lub grup w ramach workflow AI, usprawniając przypomnienia, powiadomienia czy komunikację masową.

• Zarządzanie kontaktami
  Wspiera wyszukiwanie i organizację kontaktów WhatsApp za pomocą AI, zwiększając produktywność użytkowników zarządzających dużą liczbą kontaktów.

• Analityka czatów
  Poprzez listowanie i analizę metadanych czatów oraz wiadomości, programiści mogą przeprowadzać analizy lub tworzyć panele z trendami komunikacji, aktywnością grup czy wzorcami rozmów.

• Integracja z asystentami AI
  Pozwala na płynną współpracę WhatsApp i modeli AI (takich jak Claude czy Cursor), wykorzystując AI do podsumowywania czatów, szkicowania odpowiedzi czy automatyzacji powtarzalnych zadań.

Jak to skonfigurować

Windsurf

W dokumentacji nie podano instrukcji konfiguracji dla Windsurf.

Claude

1. Wymagania wstępne: Zainstaluj Go, Python 3.6+, UV (menedżer pakietów Pythona) oraz opcjonalnie FFmpeg.
2. Sklonuj repozytorium:

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

3. Uruchom bridge WhatsApp:

   cd whatsapp-bridge
   go run main.go
   

   Uwierzytelnij się kodem QR używając aplikacji mobilnej WhatsApp.
4. Skonfiguruj serwer MCP:
   Zapisz poniższy JSON do ~/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. Zrestartuj Claude Desktop: Otwórz Claude, aby zobaczyć WhatsApp jako dostępną integrację.

Uwaga dotycząca zabezpieczania kluczy API: Nie są używane jawne klucze API, ale w razie potrzeby można ustawić zmienne środowiskowe w bloku env w konfiguracji JSON.

Przykład z użyciem zmiennej środowiskowej:

{
  "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. Wymagania wstępne: Takie same jak powyżej.
2. Sklonuj i uruchom bridge: Postępuj zgodnie z krokami jak dla Claude.
3. Skonfiguruj serwer MCP:
   Zapisz poniższy JSON do ~/.cursor/mcp.json:

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

4. Zrestartuj Cursor, aby aktywować integrację.

Uwaga dotycząca zabezpieczania kluczy API: Jeśli to konieczne, użyj tego samego podejścia ze zmiennymi środowiskowymi jak w przykładzie dla Claude.

Cline

W dokumentacji nie podano instrukcji konfiguracji dla Cline.

Jak używać tego MCP w flows

Korzystanie z MCP w FlowHunt

Aby zintegrować serwery MCP z workflow FlowHunt, rozpocznij 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 wstaw dane swojego serwera MCP w tym formacie JSON:

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

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

Przegląd

Na podstawie dostępnej dokumentacji, WhatsApp MCP Server jest dobrze udokumentowany pod kątem ogólnej konfiguracji i użycia narzędzi, lecz brakuje w nim szczegółowych informacji o zasobach, szablonach promptów, obsłudze roots oraz sampling-u. Projekt jest dojrzały (licencjonowany, popularny, aktywnie rozwijany), ale brakuje mu zaawansowanej dokumentacji MCP.

Nasza opinia

Ocenilibyśmy ten serwer MCP na 7/10 — jest solidny, popularny i przejrzysty pod kątem praktycznej integracji, ale przydałaby się bardziej rozbudowana dokumentacja MCP dotycząca zasobów, promptów i funkcji zaawansowanych.

Ocena MCP