OpenWeather MCP-server

Vad gör “OpenWeather” MCP-servern?

OpenWeather MCP-servern är en lättviktig Model Context Protocol (MCP)-tjänst som kopplar AI-assistenter till realtidsväderdata via det kostnadsfria OpenWeatherMap API:et. Den möjliggör förbättrade utvecklingsflöden genom att AI-klienter kan hämta aktuella väderförhållanden och 5-dygnsprognoser för vilken stad som helst, med alternativ för konfigurerbara enheter (Celsius, Fahrenheit, Kelvin) och flerspråkigt stöd. Genom att exponera väderdata som strukturerade resurser och verktyg förenklar OpenWeather MCP-servern uppgifter som hämtning av väderinformation, kontextuella AI-svar och integration i automationsflöden. Servern är idealisk för projekt som kräver uppdaterad väderkontext och gör det enklare att bygga AI-applikationer som interagerar med externa datakällor via MCP.

Lista över prompts

Inga explicita promptmallar nämns i arkivet.

Redo att växa ditt företag?

Starta din kostnadsfria provperiod idag och se resultat inom några dagar.

Begär demo Logga in

Lista över resurser

• Aktuella väderdata: Ger aktuella väderförhållanden för en angiven stad, inklusive temperatur, tryck, luftfuktighet, vind, soluppgång/solnedgång m.m.
• 5-dygnsprognos: Levererar en prognos med detaljerad väderdata var tredje timme i upp till 5 dagar.
• Enhetskonfiguration: Låter klienter välja mellan Celsius, Fahrenheit eller Kelvin för temperatur.
• Flerspråkigt stöd: Erbjuder väderdata på olika språk, så som stöds av OpenWeatherMap API.

Lista över verktyg

• weather: Huvudverktyget som exponeras av OpenWeather MCP-servern. Det accepterar parametrar som city (obligatorisk), units (valfri: c|f|k) och lang (valfri: en|de|fr|…). Det hämtar aktuella väder- och prognosdata för angiven stad.

Gå med i vårt nyhetsbrev

Få de senaste tipsen, trenderna och erbjudandena gratis.

E-postadress

Prenumerera

Användningsområden för denna MCP-server

• AI-drivna väderchattbotar: Integrera realtidsväderdata i konversationsbaserade AI-assistenter så att användare kan fråga om aktuella förhållanden eller prognoser för valfri stad.
• Rese- och evenemangsplanering: Infoga väderkontroller i automationsflöden för att ge förslag eller varningar inför kommande resor eller event baserat på prognosdata.
• Kontextuella AI-svar: Förbättra AI-agenters kontextmedvetenhet genom att förse dem med uppdaterat lokalt väder för bättre rekommendationer och beslutsfattande.
• Smarta hem och IoT-integration: Använd väderdata för att trigga smarta hem-rutiner, t.ex. justera värme/kyla eller skicka notiser baserat på väderförändringar.
• Utbildningsapplikationer: Bygg interaktiva lärverktyg som använder verklig väderdata för att lära ut begrepp inom naturvetenskap, geografi eller språk.

Hur man installerar

Windsurf

1. Säkerställ att Go 1.20+ är installerat.
2. Skaffa din OpenWeatherMap API-nyckel.
3. Bygg servern:

   git clone https://github.com/mschneider82/mcp-openweather.git
   cd mcp-openweather
   go build -o mcp-weather
   

4. Konfigurera Windsurf för att inkludera servern:

   {
     "mcpServers": {
       "mcp-openweather": {
         "command": "/path/to/mcp-weather",
         "env": {
           "OWM_API_KEY": "PUT_API_KEY_HERE"
         }
       }
     }
   }
   

5. Spara ändringarna och starta om Windsurf. Verifiera med väderfrågor.

Claude

1. Installera via Smithery:

   npx -y @smithery/cli install @mschneider82/mcp-openweather --client claude
   

2. Ange din OpenWeatherMap API-nyckel:

   export OWM_API_KEY="your_api_key_here"
   

3. Lägg till i Claudes konfiguration:

   {
     "mcpServers": {
       "mcp-openweather": {
         "command": "/path/to/mcp-weather",
         "env": {
           "OWM_API_KEY": "PUT_API_KEY_HERE"
         }
       }
     }
   }
   

4. Spara och starta om Claude. Testa genom att begära väderdata.

Cursor

1. Bygg servern enligt ovan och ange din API-nyckel.
2. Redigera Cursors MCP-konfigurationsfil:

   {
     "mcpServers": {
       "mcp-openweather": {
         "command": "/path/to/mcp-weather",
         "env": {
           "OWM_API_KEY": "PUT_API_KEY_HERE"
         }
       }
     }
   }
   

3. Spara och starta om Cursor. Bekräfta installationen genom att köra väderfrågor.

Cline

1. Bygg och konfigurera OpenWeather MCP-servern enligt tidigare beskrivning.
2. Lägg till serverkonfigurationen i Cline:

   {
     "mcpServers": {
       "mcp-openweather": {
         "command": "/path/to/mcp-weather",
         "env": {
           "OWM_API_KEY": "PUT_API_KEY_HERE"
         }
       }
     }
   }
   

3. Spara konfigurationen och starta om Cline.
4. Validera genom att göra en väderförfrågan.

Skydda API-nycklar

Använd alltid miljövariabler för API-nycklar. Exempel på JSON-konfiguration:

{
  "mcpServers": {
    "mcp-openweather": {
      "command": "/path/to/mcp-weather",
      "env": {
        "OWM_API_KEY": "${OWM_API_KEY}"  // Använd din miljövariabel
      }
    }
  }
}

Hur man använder denna MCP i flöden

Använda MCP i FlowHunt

För att integrera MCP-servrar i ditt arbetsflöde i FlowHunt, 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 lägger du in din MCP-serverinformation enligt detta JSON-format:

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

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

Översikt

Baserat på tillgänglig information erbjuder OpenWeather MCP-servern tydliga verktyg och resurs-exponering för väderdata, men saknar promptmallar och sampling-stöd. Roots-stöd nämns inte.

Projektet är enkelt men funktionellt för sitt syfte, med tydliga installationsinstruktioner och alla viktiga funktioner för väderdata-exponering.

Vår bedömning

OpenWeather MCP-servern är enkel, lätt att installera och passar utmärkt för att lägga till väderdata i AI-arbetsflöden. Den saknar vissa avancerade MCP-funktioner som promptmallar och sampling, men för väderdatahämtning är den robust och användarvänlig.

Betyg: 7/10

MCP-poäng