LinkedIn Model Context Protocol (MCP) Server

LinkedIn MCP 服务

一款 MCP 服务，让 AI 助手全面访问 LinkedIn——搜索职位、查看个人资料和公司信息、生成 AI 驱动的简历和求职信，并跟踪求职申请。使用 官方 MCP Python SDK（FastMCP）构建。

---

功能

类别	功能
职位搜索	使用筛选条件搜索（关键词、地点、职位类型、经验级别、远程、发布时间），获取职位详情和推荐
个人资料与公司	获取任意 LinkedIn 个人资料或公司主页，借助 AI 分析个人资料并提供优化建议
简历生成	根据 LinkedIn 个人资料生成简历，为特定职位定制简历，内置 3 种模板
求职信	为每个职位生成个性化 AI 求职信，内置 2 种模板
求职申请跟踪	在本地跟踪求职申请及状态工作流（感兴趣 → 已申请 → 面试中 → 已录用/已拒绝/已撤回）
输出格式	HTML、Markdown 和 PDF（通过 WeasyPrint）

---

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 并填写你的凭据：

[email protected]
LINKEDIN_PASSWORD=your_password
ANTHROPIC_API_KEY=sk-ant-...    # Optional — enables AI features

3. 运行

独立运行：

linkedin-mcp

使用 Claude Desktop — 添加到你的 claude_desktop_config.json：

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

使用 Claude Code — 添加到 .mcp.json：

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

---

工具参考

职位工具（3 个）

工具	参数	描述
search_jobs	keywords、location、job_type、experience_level、remote、date_posted、page、count	使用丰富的筛选条件搜索 LinkedIn 职位
get_job_details	job_id	获取职位的完整描述、技能要求和元数据
get_recommended_jobs	count	获取个性化职位推荐

个人资料工具（3 个）

工具	参数	描述
get_profile	profile_id	获取 LinkedIn 个人资料（自己的资料使用 "me"）——工作经历、教育背景、技能
get_company	company_id	获取公司信息——描述、规模、总部所在地、专长领域
analyze_profile	profile_id	借助 AI 审阅个人资料并提供可执行的优化建议

文档生成工具（4 个）

工具	参数	描述
generate_resume	profile_id、template、output_format	根据 LinkedIn 个人资料生成简历
tailor_resume	profile_id、job_id、template、output_format	为特定职位定制简历
generate_cover_letter	profile_id、job_id、template、output_format	为职位撰写个性化求职信
list_templates	template_type	列出可用模板（resume、cover_letter 或 all）

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

求职申请跟踪工具（3 个）

工具	参数	描述
track_application	job_id、job_title、company、status、notes、url	开始跟踪求职申请
list_applications	status	列出所有已跟踪的求职申请，可按状态筛选
update_application_status	job_id、status、notes	更新求职申请状态

状态值： interested · applied · interviewing · offered · rejected · withdrawn

---

架构

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 — 使用 FastMCP 和 @mcp.tool() 装饰器，而不是自定义协议实现
• 全程异步 — 所有同步 LinkedIn API 调用都通过 asyncio.to_thread() 包装，避免阻塞
• 分层架构 — 工具 → 服务 → 客户端，缓存位于服务层
• AI 为可选功能 — 核心 LinkedIn 功能无需 Anthropic API 密钥即可使用；AI 可增强简历和求职信的生成效果
• 强化安全性 — Jinja2 SandboxedEnvironment、WeasyPrint SSRF 防护、路径遍历防护、凭据脱敏、输入验证

---

配置

所有设置均从环境变量加载（支持 .env 文件）：

变量	必填	默认值	说明
LINKEDIN_USERNAME	是	—	你的 LinkedIn 邮箱
LINKEDIN_PASSWORD	是	—	你的 LinkedIn 密码
ANTHROPIC_API_KEY	否	—	启用 AI 功能（简历和求职信生成、个人资料分析）
AI_MODEL	否	claude-sonnet-4-20250514	要使用的 Claude 模型
DATA_DIR	否	~/.linkedin_mcp/data	缓存、跟踪数据和生成文件的目录
CACHE_TTL_HOURS	否	24	LinkedIn API 响应的缓存时长
LOG_LEVEL	否	INFO	日志级别（DEBUG、INFO、WARNING、ERROR）

---

开发

# 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

测试涵盖所有层：配置、模型、服务（缓存、跟踪器、职位搜索、个人资料、简历和求职信生成、LinkedIn 客户端格式化器、格式转换器）、AI 提供方和 MCP 工具处理器。

---

使用示例

连接后，可以向 AI 助手提问：

“搜索美国的远程 Python 开发者职位”

“显示 satyanadella 的个人资料”

“根据我的 LinkedIn 个人资料生成一份针对职位 3847291056 的简历”

“使用简洁模板为职位 3847291056 创建一封求职信”

“跟踪我申请的 Google 高级工程师职位——状态：已申请”

“列出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

MIT