Englisches Original: https://argusic.com/subject/linkedin-mcp-server
linkedin-mcp-server
Open-Source-MCP-Server für LinkedIn. Claude und jeder MCP-kompatible AI-Agent erhalten via diesen Server Zugriff auf Profile, Unternehmen, Jobs und Nachrichten.
Läuft mit MocksQuelle: GitHubPythonApache-2.0Commit f410bfdc3256
Python, Lizenz Apache-2.0. Das Projekt beschreibt sich selbst als: ai agents, anthropic, chatgpt, chatgpt desktop, claude, claude ai, claude code und claude desktop.
linkedin-mcp-server läuft, mit Ersatz für die Dienste, von denen es abhängt. Ein Argusic-Agent hat es in 0,7 Minuten installiert und ist auf 1 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
Project installs cleanly with uv sync, server imports OK, test suite passes all non-environment-dependent tests (2921 of 3014 selected pass with the fix applied; the 11 failures are pre-existing container/TERM mismatches).
Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen
Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 92 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).
Auf einen Blick
Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert . Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.
Was gemessen wurde
Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.
Was schiefging, in den Worten des Agents
Die eigenen Worte des Agents, das Schwerste zuerst, nie zu Ratschlägen umgeschrieben.
- Test test_slow_profile_ownership_cannot_block_the_deadline fails in container environments because it doesn't call initialize_bootstrap('managed') before start_background_browser_setup_if_needed. In a container, runtime policy defaults to DOCKER causing early return without error.20 Minuten
- Installationszeit
- unter einer Minute
- Von der kalten Maschine bis zum Ende
- 30 Minuten
- Aufgetretene und behobene Fehler
- 1 aufgetreten, 1 ohne menschliche Hilfe behoben
- Verbrauchte Modell-Tokens
- 128.783
- Genau getesteter Commit
- f410bfdc3256
- Container-Image
- sha256:cdd920bce783
Was nicht gemessen wurde
Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.
- Wie das Ergebnis belegt wurde
- Läufe vor dem 2026-09-07 haben den Befehl zur Prüfung des Ergebnisses nicht aufgezeichnet
- Maximaler GPU-Speicher
- dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
- Verhalten über einen langen Lauf
- jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält
- Verhalten gegenüber echten Diensten
- dieser Lauf wurde nur gegen Ersatzdienste verifiziert
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
fallback = threading.Timer(0.2, release.set)
fallback.start()
started = asyncio.get_running_loop().time()
38: initialize_bootstrap,
106: initialize_bootstrap("managed")
130: initialize_bootstrap("managed")
163: initialize_bootstrap("managed")
172: initialize_bootstrap("managed")
Good, the change is exactly what's needed. Now let me compile my final report.
tokens used
128,783
Good, the change is exactly what's needed. Now let me compile my final report.Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.
So wurde getestet
Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.
Stärken und Grenzen
Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.
Was gut lief
- In 0,7 Minuten installiert, schneller als der Median der 110 vergleichbaren Projekte, die Argusic gemessen hat.
- Hat sich von dem einen Fehler erholt, ohne dass ein Mensch eingriff, was zeigt, dass die Fehlschläge gut genug dokumentiert sind, um sie zu lösen.
- Lizenz Apache-2.0, laut Angabe des Hosts.
- 3-mal gemessen, das Ergebnis ist also kein Einzelfall.
Was nicht lief oder unbekannt ist
- Hat einen lauffähigen Zustand nur gegen Ersatzdienste erreicht, daher belegt nichts hier, dass es mit den echten funktioniert.
Von den 111 Projekten im Bereich ai-agents, die Argusic installiert und zeitlich gemessen hat, belegte linkedin-mcp-server Platz 15 bei der Zeit bis zum lauffähigen Zustand, und 83 von 111 erreichten überhaupt einen solchen Zustand.
Ebenfalls getestet, im selben Bereich
Jedes dieser Projekte wurde von Argusic auf einer sauberen Maschine installiert und ausgeführt. Hier erscheint nichts, was nicht getestet wurde.
Laufverlauf
| getestet von | Versuch | Ergebnis | Score | Kosten USD | wann |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Läuft mit Mocks | 92,00 | 0,18 | |
| Argusic Runner | 2/3 | Läuft mit Mocks | 92,00 | 0,07 | |
| Argusic Runner | 1/3 | Zeit abgelaufen | 0,00 | 0,25 |
Themen (von GitHub)
ai-agentsanthropicchatgptchatgpt-desktopclaudeclaude-aiclaude-codeclaude-desktopdesktop-extensiondxtlinkedinlinkedin-apilinkedin-mcplinkedin-profile-scraperlinkedin-scrapermcpmcp-servermodel-context-protocolpython
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/linkedin-mcp-server)Fragen
- Läuft linkedin-mcp-server?
- linkedin-mcp-server läuft, mit Mocks als Ersatz für externe Dienste. Argusic hat es auf einer sauberen Maschine in 1 Minuten installiert und gestartet, ist dabei auf 1 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic linkedin-mcp-server getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit f410bfdc3256. 3 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von linkedin-mcp-server gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,18 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
- Wie lange dauert die Installation von linkedin-mcp-server?
- 0,7 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
- Braucht linkedin-mcp-server eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von linkedin-mcp-server schief?
- Im aufgezeichneten Lauf ging 1 Sache kaputt, und 1 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet linkedin-mcp-server im Vergleich zu Alternativen ab?
- Von den 111 Projekten im Bereich ai-agents, die Argusic installiert und zeitlich gemessen hat, belegte linkedin-mcp-server Platz 15 bei der Zeit bis zum lauffähigen Zustand, und 83 von 111 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für linkedin-mcp-server?
- Alle 3 aufgezeichneten Läufe sind auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.