Original en anglais: https://argusic.com/subject/linkedin-mcp-server
linkedin-mcp-server
Serveur MCP open source pour LinkedIn. Donnez à Claude et à tout AI agent compatible MCP un accès aux profils, entreprises, emplois et messages.
Fonctionne avec des mockssource : GitHubPythonApache-2.0commit f410bfdc3256
Python, sous licence Apache-2.0. Le projet se décrit ainsi : ai agents, anthropic, chatgpt, chatgpt desktop, claude, claude ai, claude code et claude desktop.
linkedin-mcp-server fonctionne, avec des substituts pour les services dont il dépend. Un agent Argusic l'a installé en 0,7 minute et a rencontré 1 erreur, corrigée sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.
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).
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré
Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 92 sur 100 (la moyenne des scores des exécutions de ce projet).
En un coup d'œil
Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le . Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.
Ce qui a été mesuré
Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.
Ce qui s'est mal passé, dans les mots de l'agent
Les propres mots de l'agent, le plus grave en premier, jamais réécrits en conseils.
- 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 minutes
- Temps d'installation
- moins d'une minute
- De la machine vierge à la fin
- 30 minutes
- Erreurs rencontrées et corrigées
- 1 rencontrée, 1 corrigée sans aide humaine
- Tokens de modèle utilisés
- 128 783
- Commit exact testé
- f410bfdc3256
- Image de conteneur
- sha256:cdd920bce783
Ce qui n'a pas été mesuré
L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.
- Comment le résultat a été prouvé
- les exécutions antérieures au 2026-09-07 n'enregistraient pas la commande utilisée pour vérifier le résultat
- Pic de mémoire GPU
- cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
- Comportement sur une longue durée
- chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge
- Comportement face aux vrais services
- cette exécution n'a été vérifiée qu'avec des services de substitution
La fin de l'enregistrement
Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.
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.Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.
Comment le test a été mené
Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.
Points forts et limites
Des faits mesurés, pas des opinions. Comment ce site est rédigé.
Ce qui s'est bien passé
- Installé en 0,7 minute, plus vite que la médiane des 110 projets comparables mesurés par Argusic.
- S'est remis de 1 erreur sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
- Sous licence Apache-2.0, selon son hébergeur.
- Mesuré 3 fois, le résultat n'est donc pas un cas isolé.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- N'a atteint un état de fonctionnement qu'avec des services de substitution : rien ici ne prouve qu'il fonctionne avec les vrais.
Sur les 111 projets ai-agents qu'Argusic a installés et chronométrés, linkedin-mcp-server a été le 15e plus rapide à atteindre un état de fonctionnement, et 83 sur 111 en ont atteint un.
Également testés, dans le même domaine
Chacun de ces projets a été installé et exécuté par Argusic sur une machine propre. Rien n'apparaît ici sans avoir été testé.
Historique des exécutions
| testé par | tentative | résultat | score | coût USD | date |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Fonctionne avec des mocks | 92,00 | 0,18 | |
| Argusic Runner | 2/3 | Fonctionne avec des mocks | 92,00 | 0,07 | |
| Argusic Runner | 1/3 | Délai dépassé | 0,00 | 0,25 |
Sujets (depuis GitHub)
ai-agentsanthropicchatgptchatgpt-desktopclaudeclaude-aiclaude-codeclaude-desktopdesktop-extensiondxtlinkedinlinkedin-apilinkedin-mcplinkedin-profile-scraperlinkedin-scrapermcpmcp-servermodel-context-protocolpython
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/linkedin-mcp-server)Questions
- linkedin-mcp-server fonctionne-t-il ?
- linkedin-mcp-server fonctionne, avec des mocks à la place des services externes. Argusic l'a installé et lancé sur une machine propre en 1 minute, en rencontrant 1 erreur en route, et a enregistré la session.
- Comment Argusic a-t-il testé linkedin-mcp-server ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit f410bfdc3256. 3 tentatives sont enregistrées, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test de linkedin-mcp-server ?
- L'exécution qui a produit ce verdict a coûté 0,18 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
- Combien de temps faut-il pour installer linkedin-mcp-server ?
- 0,7 minute lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
- linkedin-mcp-server a-t-il besoin d'un GPU ?
- Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
- Qu'est-ce qui pose problème lors de l'installation de linkedin-mcp-server ?
- 1 problème est survenu lors de l'exécution enregistrée, et 1 a été corrigé sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
- Comment linkedin-mcp-server se compare-t-il aux alternatives ?
- Sur les 111 projets ai-agents qu'Argusic a installés et chronométrés, linkedin-mcp-server a été le 15e plus rapide à atteindre un état de fonctionnement, et 83 sur 111 en ont atteint un.
- Où sont les preuves pour linkedin-mcp-server ?
- Les 3 exécutions enregistrées se trouvent sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.