WhatsApp MCP-serverintegration

Vad gör “WhatsApp” MCP-servern?

WhatsApp MCP (Model Context Protocol) Server fungerar som en brygga mellan AI-assistenter och ditt personliga WhatsApp-konto. Genom att ansluta via WhatsApp web multidevice API (med whatsmeow-biblioteket) kan AI-modeller som Claude eller Cursor söka och läsa dina personliga WhatsApp-meddelanden (inklusive bilder, videor, dokument och ljud), söka kontakter och skicka meddelanden till individer eller grupper. Alla interaktioner hanteras lokalt: din meddelandehistorik lagras i en SQLite-databas och data delas endast med AI-agenten när den uttryckligen nås via standardiserade verktyg. Denna lösning gör det möjligt för utvecklare och användare att hantera WhatsApp-kommunikation programmatiskt, automatisera arbetsflöden för meddelanden och integrera WhatsApp-data i bredare utvecklings- eller produktivitetsprocesser – allt samtidigt som användaren behåller kontroll över dataåtkomst.

Lista över prompts

Inga promptmallar nämns i den tillgängliga dokumentationen.

Lista över resurser

• Dokumentationen listar inte explicit MCP-resurser som servern exponerar.

Lista över verktyg

• search_contacts: Sök efter WhatsApp-kontakter via namn eller telefonnummer.
• list_messages: Hämta WhatsApp-meddelanden med valfria filter och kontextparametrar.
• list_chats: Lista alla tillgängliga chattar med metadata.
• get_chat: Hämta detaljerad information om en specifik chatt.

Användningsområden för denna MCP-server

• WhatsApp-meddelandesökning och hämtning
  Utvecklare och AI-agenter kan programmatiskt söka och hämta WhatsApp-meddelanden, inklusive multimediainnehåll, för granskning, rapportering eller arkivering.

• Automatiserad meddelandehantering
  Möjliggör att skicka meddelanden eller mediafiler (bilder, videor, dokument, ljud) till individer eller grupper via AI-arbetsflöden och möjliggör påminnelser, aviseringar eller masskommunikation.

• Kontaktadministration
  Stöd för att söka och organisera WhatsApp-kontakter via AI, vilket underlättar för användare som hanterar stora kontaktlistor.

• Chattanalyser
  Genom att lista och analysera metadata från chattar och meddelanden kan utvecklare göra analyser eller skapa dashboards över meddelandemönster, gruppaktivitet eller kommunikationstrender.

• Integration med AI-assistenter
  Möjliggör sömlös interaktion mellan WhatsApp och AI-modeller (som Claude eller Cursor), där AI kan sammanfatta chattar, skriva utkast till svar eller automatisera upprepade uppgifter.

Så här sätter du upp det

Windsurf

Inga installationsinstruktioner för Windsurf finns i dokumentationen.

Claude

1. Förutsättningar: Installera Go, Python 3.6+, UV (Python-pakethanterare) och eventuellt FFmpeg.
2. Klona repot:

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

3. Kör WhatsApp-bryggan:

   cd whatsapp-bridge
   go run main.go
   

   Autentisera via QR-kod med din WhatsApp-mobilapp.
4. Konfigurera MCP-server:
   Spara följande JSON till ~/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. Starta om Claude Desktop: Öppna Claude för att se WhatsApp som tillgänglig integration.

Notis om säkring av API-nycklar: Inga explicita API-nycklar används, men om det behövs kan miljövariabler anges via ett env-block i JSON-konfigurationen.

Exempel med miljövariabel:

{
  "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. Förutsättningar: Samma som ovan.
2. Klona och kör bryggan: Följ stegen som för Claude.
3. Konfigurera MCP-server:
   Spara följande JSON till ~/.cursor/mcp.json:

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

4. Starta om Cursor för att aktivera integrationen.

Notis om säkring av API-nycklar: Använd samma metod med miljövariabler som för Claude vid behov.

Cline

Inga installationsinstruktioner för Cline finns i dokumentationen.

Så använder du 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, ange dina MCP-serveruppgifter med detta JSON-format:

{
  "whatsapp": {
    "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 “whatsapp” mot det faktiska namnet på din MCP-server och ersätta URL:en med din egen MCP-server-URL.

Översikt

Utifrån tillgänglig dokumentation är WhatsApp MCP-servern väl dokumenterad för generell installation och verktygsanvändning men saknar explicit information kring resurser, promptmallar, roots och sampling-stöd. Projektet är moget (licensierat, populärt och aktivt underhållet), men saknar viss avancerad MCP-specifik dokumentation.

Vår bedömning

Vi ger denna MCP-server 7/10 – den är robust, populär och tydlig för praktisk integration, men skulle vinna på mer heltäckande dokumentation kring MCP-resurser, prompts och avancerade funktioner.

MCP-poäng