Strava MCP-server

Vad gör “Strava” MCP-servern?

Strava MCP-servern är en Model Context Protocol (MCP) server implementerad i TypeScript som sömlöst kopplar samman stora språkmodeller (LLM:er) med Strava API. Som en brygga möjliggör den för AI-assistenter att komma åt, analysera och interagera med en användares Strava-data – inklusive senaste aktiviteter, profiler, statistik, rutter och segment – direkt via standardiserade MCP-verktyg. Denna integration ger utvecklare och AI-system möjlighet att utföra uppgifter såsom att fråga efter träningsstatistik, hämta aktivitetsströmmar (som effekt, puls eller kadens), exportera rutter och hantera segment, allt på ett säkert och AI-vänligt sätt. Genom att exponera Stravas rika tränings- och aktivitetsdata som verktyg förbättrar servern utvecklingsflöden och stödjer intelligenta, datadrivna interaktioner för träningsanalys och coaching.

Lista över promptar

Inga explicita promptmallar hittades 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

Inga explicita resurser är dokumenterade eller exponerade i arkivet.

Lista över verktyg

• Senaste aktiviteter-verktyg: Få tillgång till senaste Strava-aktiviteter för den autentiserade användaren.
• Profilverktyg: Hämtar profilinformation för användaren.
• Statistikverktyg: Hämtar löp-, cykel- och simstatistik.
• Aktivitetsströmmar-verktyg: Hämtar detaljerad strömdata (puls, effekt, kadens, höjd, etc.) för specifika aktiviteter.
• Segmentverktyg: Utforska, visa, stjärnmarkera och hantera Strava-segment.
• Ruttverktyg: Lista och visa detaljer om sparade Strava-rutter.
• Rutt-exportverktyg: Exportera rutter i GPX- eller TCX-format till det lokala filsystemet.

Gå med i vårt nyhetsbrev

Få de senaste tipsen, trenderna och erbjudandena gratis.

E-postadress

Prenumerera

Användningsområden för denna MCP-server

• Träningsdataanalys: Utvecklare kan integrera servern med LLM:er för att analysera en användares träningshistorik, statistik och trender, samt tillhandahålla detaljerade sammanfattningar och framstegsrapporter.
• Personlig coaching: AI-assistenter kan ge coachningsråd genom att använda rik aktivitetsdata, såsom puls, effekt och kadens från senaste träningspass.
• Ruttplanering och export: Möjliggör för användare att lista, visa och exportera sina Strava-rutter för användning på GPS-enheter eller för att dela med vänner.
• Segmentutforskning och hantering: Utvecklare kan bygga verktyg för att upptäcka, stjärnmarkera och analysera Strava-segment för ruttoptimering och prestationsjämförelser.
• Klubb- och gemenskapsinsikter: Få tillgång till och visa klubbmedlemskap, gruppaktiviteter och segmenttopplistor för ökad social interaktion.

Hur man sätter upp det

Windsurf

1. Se till att du har Node.js installerat.
2. Öppna Windsurf-konfigurationsfilen.
3. Lägg till Strava MCP-serverpaketet (@r-huijts/strava-mcp@latest) i listan över MCP-servrar.
4. Klistra in följande JSON-snutt i mcpServers-objektet:

   {
     "strava-mcp": {
       "command": "npx",
       "args": ["@r-huijts/strava-mcp@latest"]
     }
   }
   

5. Spara konfigurationen och starta om Windsurf.
6. Kontrollera att Strava MCP-verktygen är tillgängliga i din AI-assistent.

Säkra API-nycklar Exempel

{
  "strava-mcp": {
    "command": "npx",
    "args": ["@r-huijts/strava-mcp@latest"],
    "env": {
      "STRAVA_CLIENT_ID": "your-client-id",
      "STRAVA_CLIENT_SECRET": "your-client-secret",
      "STRAVA_ACCESS_TOKEN": "your-access-token"
    }
  }
}

Lagra inloggningsuppgifter säkert med hjälp av miljövariabler.

Claude

1. Installera Node.js som förutsättning.
2. Öppna Claudes konfigurationsfil för MCP-servrar.
3. Lägg till Strava MCP-servern med:

   {
     "strava-mcp": {
       "command": "npx",
       "args": ["@r-huijts/strava-mcp@latest"]
     }
   }
   

4. Spara filen och starta om Claude.
5. Bekräfta att Strava MCP-integrationen är aktiv.

Cursor

1. Installera Node.js om det inte redan finns.
2. Öppna Cursor-konfigurationsfilen för MCP-servrar.
3. Lägg till:

   {
     "strava-mcp": {
       "command": "npx",
       "args": ["@r-huijts/strava-mcp@latest"]
     }
   }
   

4. Spara och starta om Cursor.
5. Kontrollera funktionaliteten inom dina AI-arbetsflöden.

Cline

1. Säkerställ att Node.js är installerat.
2. Gå till konfigurationsfilen för MCP-servrar i Cline.
3. Lägg in:

   {
     "strava-mcp": {
       "command": "npx",
       "args": ["@r-huijts/strava-mcp@latest"]
     }
   }
   

4. Spara och starta om Cline-miljön.
5. Kontrollera att Strava MCP-verktyg är synliga.

Observera: Lagra alltid känsliga API-nycklar som miljövariabler, inte i klartext.

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 flödet och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, ange din MCP-serverinformation i följande JSON-format:

{
  "strava-mcp": {
    "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 kapaciteter. Kom ihåg att ändra “strava-mcp” till det faktiska namnet på din MCP-server och att byta ut URL:en mot din egen MCP-serveradress.

Översikt

Vår åsikt

Strava MCP-servern erbjuder en robust brygga mellan LLM:er och Strava API och exponerar ett brett utbud av verktyg, med tydlig dokumentation och verkliga användningsfall. Bristen på dokumenterade promptmallar och explicita MCP-resurser begränsar dock standardiseringspotentialen direkt ur lådan. Sampling och Roots-stöd nämns inte, vilket något minskar mångsidigheten för avancerade MCP-scenarier.

MCP-betyg: 7/10 — en stark, produktionsklar MCP för Strava-integration, med utrymme för förbättring av prompt-/resursspecifikation och avancerade protokollfunktioner.

MCP-betyg