linkedin MCP

LinkedIn MCP服务器

  

一个MCP服务器，让人工智能助手可以完全访问领英——搜索工作、查看个人资料和公司、生成人工智能简历和求职信，以及跟踪应用程序。与 官方MCP Python SDK （FastMCP）。

______________________________________________________________________

它的作用

______________________________________________________________________

快速开始

1.安装

# Core installation
pip install -e .

# With AI features (resume/cover letter generation, profile analysis)
pip install -e ".[ai]"

# With PDF export
pip install -e ".[pdf]"

# Everything
pip install -e ".[all]"

2.配置

cp .env.example .env

编辑 .env 使用您的凭据：

LINKEDIN_USERNAME=your_email@example.com
LINKEDIN_PASSWORD=your_password
ANTHROPIC_API_KEY=sk-ant-...    # Optional — enables AI features

3.跑步

独立：

linkedin-mcp

使用克劳德桌面 --添加到您的 claude_desktop_config.json:

{
  "mcpServers": {
    "linkedin": {
      "command": "linkedin-mcp"
    }
  }
}

使用克劳德代码 --添加到 .mcp.json:

{
  "linkedin": {
    "command": "linkedin-mcp"
  }
}

______________________________________________________________________

工具参考

作业工具（3）

轮廓工具（3）

文档生成工具（4）

模板： modern · professional · minimal （简历）| professional · concise （附信） 格式： html · md · pdf

应用程序跟踪工具（3）

状态值： interested · applied · interviewing · offered · rejected · withdrawn

______________________________________________________________________

建筑

src/linkedin_mcp/
├── server.py                    # FastMCP entry point — 13 tools, 1 resource
├── config.py                    # Settings from .env (frozen dataclass)
├── exceptions.py                # 7-class exception hierarchy
├── models/
│   ├── linkedin.py              # Profile, Job, Company models (Pydantic v2)
│   ├── resume.py                # Resume & cover letter content models
│   └── tracking.py              # Application tracking model
├── services/
│   ├── linkedin_client.py       # LinkedIn API wrapper (async via asyncio.to_thread)
│   ├── job_search.py            # Job search with TTL caching
│   ├── profile.py               # Profile/company access with caching
│   ├── resume_generator.py      # AI-enhanced resume generation
│   ├── cover_letter_generator.py
│   ├── application_tracker.py   # Local JSON-based application tracking
│   ├── cache.py                 # Unified JSON file cache with TTL
│   ├── template_manager.py      # Jinja2 sandboxed template engine
│   └── format_converter.py      # HTML → PDF/Markdown conversion
├── ai/
│   ├── base.py                  # Abstract AI provider interface
│   └── claude_provider.py       # Anthropic Claude implementation
└── templates/
    ├── resume/                  # modern.j2, professional.j2, minimal.j2
    └── cover_letter/            # professional.j2, concise.j2

关键设计决策

• 官方MCP SDK --用途 FastMCP 随着 @mcp.tool() 装饰器，而不是自定义协议实现
• 异步贯穿始终 -所有同步LinkedIn API调用都包含在 asyncio.to_thread() 避免堵塞
• 分层体系结构 --工具→ 服务→ 客户端，在服务层进行缓存
• AI是可选的 -LinkedIn核心功能在没有Anthropic API密钥的情况下工作；人工智能增强简历/求职信生成
• 加强安保 --Jinja2 SandboxedEnvironmentWeasyPrint SSRF保护、路径遍历保护、凭证编辑、输入验证

______________________________________________________________________

配置

所有设置都是从环境变量加载的(.env 支持的文件）：

______________________________________________________________________

发展

# Install with all dependencies
pip install -e ".[all,dev]"

# Run tests (82 tests)
pytest

# Run with coverage
pytest --cov=linkedin_mcp

# Lint
ruff check src/ tests/

测试覆盖率

测试涵盖了所有层：配置、模型、服务（缓存、跟踪器、求职、个人资料、简历/求职信生成、LinkedIn客户端格式化程序、格式转换器）、人工智能提供商和MCP工具处理程序。

______________________________________________________________________

使用示例

连接后，询问您的AI助手：

“在美国搜索远程Python开发人员职位”

“显示satyanadella的个人资料”

“根据我的LinkedIn个人资料生成适合工作3847291056的简历”

“使用简明模板为职位3847291056创建求职信”

“跟踪我的谷歌高级工程师职位申请——状态：已申请”

“列出我所有处于面试阶段的申请”

“分析我的LinkedIn个人资料并提出改进建议”

______________________________________________________________________

许可证

麻省理工学院