Hunter MCP Server-integration

Vad gör “Hunter” MCP Server?

Hunter MCP Server möjliggör integration mellan Hunter API och valfri LLM-leverantör som stödjer Model Context Protocol (MCP), såsom Claude för Desktop. Denna server ger AI-assistenter möjligheten att få tillgång till, söka och bearbeta B2B-data om personer och företag från Hunter-plattformen via naturligt språk. Genom att exponera Hunters kraftfulla API-endpoints som verktyg effektiviseras arbetsflöden som sökning av domäninformation, hitta och verifiera e-postadresser, berika företagsdata och hantera leads. Denna täta integration gör det möjligt för utvecklare och affärsanvändare att automatisera leadgenerering och berikning, vilket gör att AI-agenter kan interagera sömlöst med externa B2B-datakällor och därmed öka produktivitet och påskynda affärsutvecklingsprocesser.

Lista över Promptar

Inga explicita promptmallar nämns i förvaret eller dokumentationen.

Lista över Resurser

Inga specifika MCP-resurser listas i förvaret eller dokumentationen.

Lista över Verktyg

• Domain Search
  Möjliggör sökning efter e-postadresser kopplade till en specifik domän.
• Email Finder
  Hittar den troligaste e-postadressen för en given person och domän.
• Email Verifier
  Verifierar giltigheten och leveransbarheten för en e-postadress.
• Email Enrichment
  Hämtar ytterligare data om en given e-postadress.
• Company Enrichment
  Ger detaljerad information om ett specifikt företag.
• Lead Creation
  Möjliggör att spara kontakter och företag som leads i Hunter.

Användningsområden för denna MCP Server

• Domänforskning och leadgenerering
  Automatisera upptäckt av företagskontakter och e-post för sälj- och outreachkampanjer genom domänsökning och identifiering av nyckelpersoner.
• E-postverifiering för kampanjer
  Validera e-postadresser innan marknadsförings- eller säljutskick för att minska studsar och förbättra leveransbarheten.
• Kontakt- och företagsberikning
  Samla in omfattande uppgifter om företag och individer för att bygga rikare kundprofiler till CRM-system.
• Automatiserad leadhantering
  Lägg till nya leads till Hunter-plattformen direkt via konversationsbaserade AI-gränssnitt och effektivisera säljarbetsflöden.
• B2B-dataintegration
  Integrera aktuell B2B-data i egna applikationer eller AI-agenter för att möjliggöra beslut i realtid och personalisering.

Hur du sätter upp det

Windsurf

1. Kontrollera att du har Python 3.13+ och uv installerat.
2. Hämta en Hunter API-nyckel.
3. Redigera eller skapa din konfigurationsfil för Windsurf.
4. Lägg till Hunter MCP Server med följande JSON-exempel:

   {
     "mcpServers": {
       "hunter-mcp": {
         "command": "uv",
         "args": [
           "run",
           "--with",
           "mcp[cli]",
           "mcp",
           "run",
           "PATH_TO_hunter-mcp/main.py"
         ],
         "env": {
           "HUNTER_API_KEY": "YOUR_HUNTER_API_KEY"
         }
       }
     }
   }
   

5. Spara konfigurationen och starta om Windsurf.
6. Kontrollera att servern körs och är tillgänglig.

Claude

1. Kontrollera att Python 3.13+ och uv är installerat.
2. Hämta din Hunter API-nyckel.
3. Kör följande kommando i terminalen:

   mcp install main.py -v HUNTER_API_KEY=YOUR_HUNTER_API_KEY
   

4. Konfigurera Claude att ansluta till den nya MCP-servern.
5. Testa åtkomst genom att anropa ett Hunter-verktyg via Claude.

Cursor

1. Installera Python 3.13+ och uv.
2. Hämta din Hunter API-nyckel.
3. Lokalisera MCP-konfigurationen i Cursors inställningar.
4. Lägg till Hunter MCP Server som visas:

   {
     "mcpServers": {
       "hunter-mcp": {
         "command": "uv",
         "args": [
           "run",
           "--with",
           "mcp[cli]",
           "mcp",
           "run",
           "PATH_TO_hunter-mcp/main.py"
         ],
         "env": {
           "HUNTER_API_KEY": "YOUR_HUNTER_API_KEY"
         }
       }
     }
   }
   

5. Spara och starta om Cursor för att aktivera servern.

Cline

1. Kontrollera att Python 3.13+ och uv är installerat.
2. Hämta din Hunter API-nyckel.
3. Redigera MCP-konfigurationsfilen för Cline.
4. Klistra in följande kodsnutt:

   {
     "mcpServers": {
       "hunter-mcp": {
         "command": "uv",
         "args": [
           "run",
           "--with",
           "mcp[cli]",
           "mcp",
           "run",
           "PATH_TO_hunter-mcp/main.py"
         ],
         "env": {
           "HUNTER_API_KEY": "YOUR_HUNTER_API_KEY"
         }
       }
     }
   }
   

5. Spara ändringar och starta om Cline.

Skydda API-nycklar

Lagra alltid känsliga API-nycklar som miljövariabler, inte hårdkodat i konfigurationsfiler. Exempel:

{
  "mcpServers": {
    "hunter-mcp": {
      "env": {
        "HUNTER_API_KEY": "${HUNTER_API_KEY}"
      },
      "inputs": {
        "HUNTER_API_KEY": "your-api-key"
      }
    }
  }
}

Hur du använder denna MCP i flöden

Använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, lägg in dina MCP-serveruppgifter enligt detta JSON-format:

{
  "hunter-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

När det är konfigurerat kan AI-agenten nu använda denna MCP som verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att ändra “hunter-mcp” till det faktiska namnet på din MCP-server och ersätt URL:en med din egen MCP-server-URL.

Översikt

Vår bedömning

Denna MCP-server erbjuder stabil integration med Hunter API och gör B2B-data och leadhantering tillgänglig för LLM-drivna verktyg. Dock saknas dokumenterade promptmallar och resursprimitiver, och avancerade MCP-funktioner som roots eller sampling nämns inte. Koden är öppen källkod med en tillåtande licens, men projektet är fortfarande tidigt med måttligt community-engagemang. Sammantaget är det ett bra val för Hunter API-användare som söker MCP-kompatibilitet, men skulle gynnas av mer dokumentation och MCP-funktionsstöd.

MCP-Score