Intercom MCP Server

在客户服务和用户运营工作中，Intercom 收集着海量的对话数据，这些对话里藏着用户真实的需求、痛点与反馈。但要从中提炼洞察，往往需要手动登录后台、筛选、逐条阅读，耗时且容易遗漏关键信息。Intercom MCP Server 的出现，让你可以直接在 AI 助手中查询和分析 Intercom 对话——按日期、状态、客户等维度灵活筛选，让 AI 帮你从数千条对话中快速找到真正重要的那几条。

项目基本信息

一、项目介绍

Intercom MCP Server 是一个轻量、专注的桥梁，将 Intercom 的对话数据通过模型上下文协议暴露给你的 AI 助手。它的核心是一个名为 search-conversations 的 MCP 工具，支持通过多种过滤条件精确查找所需对话。

过滤能力一览

每条查询返回的结果包含丰富的对话信息：基本信息、关联的联系人资料、回复和重新打开次数等统计指标、当前状态与优先级等。这让 AI 不仅能“找到”对话，更能理解每条对话的完整上下文。

二、核心优势

精准的数据筛选能力

通过组合多种过滤条件，你可以在数秒内从海量对话中定位到关键信息——例如“过去 7 天内创建但尚未关闭的邮件渠道的对话”，这种组合查询在 Intercom 后台手动操作可能需要多次点击和筛选菜单。

安全的数据访问

服务器采用只读模式，所有 API 请求都携带身份认证信息，不会修改任何 Intercom 中的数据。API 密钥通过环境变量安全存储，不与代码一同提交。你可以放心地让 AI 查询对话内容，而无需担心数据被意外修改。

轻量与专注

整个项目只提供一个核心工具，没有冗余功能。这种极简设计降低了使用时的心智负担，也减少了 API 调用出错的可能性。安装和配置流程也很简单，编译后即可运行。

MIT 开源协议

采用完全商业友好的 MIT 协议，适合个人开发者和企业团队自由使用、修改和分发。

三、适用场景

客户问题快速定位

用户：搜索所有过去 3 天创建且仍处于打开状态的对话。

AI 使用 createdAt 过滤最近三天，open: true 只返回未关闭的对话，快速呈现需要跟进的客户问题。

渠道分析

用户：列出所有“聊天”来源且已经关闭的对话。

AI 设置 sourceType: "chat" 和 state: "closed"，从中可分析在线聊天渠道的常见问题类型和解决率。

时效性管理

用户：查找超过 7 天未更新的未读对话。

AI 使用 updatedAt 筛选更新时间，配合 read: false，帮助客服主管发现可能被遗漏的客户消息。

用户反馈收集

用户：搜索本月创建的所有对话，帮我总结用户的主反馈是什么。

AI 筛选本月创建的全部对话，读取内容后自动汇总出排名靠前的用户反馈主题。

四、安装教程

环境要求

安装步骤

1. 克隆仓库并安装依赖

git clone https://github.com/fabian1710/mcp-intercom.git
cd mcp-intercom
npm install

2. 设置 API 密钥

cp .env.example .env

编辑 .env 文件，填入你的 Intercom API 密钥：

INTERCOM_API_KEY=your_api_key_here

3. 构建并测试运行

npm run build
npm start

配置 Claude Desktop

编辑 ~/Library/Application Support/Claude/claude_desktop_config.json（macOS），添加：

{
  "mcpServers": {
    "intercom": {
      "command": "node",
      "args": ["/path/to/mcp-intercom/dist/index.js"],
      "env": {
        "INTERCOM_API_KEY": "your_api_key_here"
      }
    }
  }
}

注意将 /path/to/mcp-intercom/dist/index.js 替换为你的 index.js 实际路径。保存后重启 Claude Desktop 即可生效。

五、使用示例

以下示例均基于 Claude Desktop 中的自然语言指令。

示例一：查找需要跟进的未读对话

用户：搜索所有未读的、状态为打开的对话。

AI 设置 read: false 和 open: true，返回所有需要关注的未读消息列表。

示例二：按时间范围精确筛选

用户：查找 2024 年 1 月 1 日之后创建的所有对话。

AI 将 createdAt 的操作符设为 >，值为 2024-01-01 的 UNIX 时间戳，筛选出新年以来的全部对话。

示例三：渠道 + 状态组合查询

用户：列出所有邮件来源且已关闭的对话。

AI 设置 sourceType: "email" 和 state: "closed"，返回已解决的邮件对话供分析。

示例四：按更新时间查找最近活跃对话

用户：查找上周之前更新过的所有对话。

AI 使用 updatedAt 过滤更新较早的对话，帮助甄别可能已被搁置的客户问题。

六、常见问题

问：如何处理 UNIX 时间戳的转换？

答：AI 会自动将你的自然语言时间表述（如“2024 年 1 月 1 日”）转换为正确的 UNIX 时间戳。你不需要手动计算时间戳。

问：对话数据多久更新一次？

答：数据是实时的。每次 AI 调用 search-conversations 工具，都会直接向 Intercom API 发起请求，获取当时最新的对话信息。

问：API 密钥应该从哪里获取？

答：在你 Intercom 账户的开发者设置中。登录 Intercom 后，进入 Settings > Developer，可以创建和管理 API 密钥。

问：可以同时查询多个条件吗？

答：可以。所有过滤条件都可以自由组合使用。例如同时按创建时间、状态和来源类型筛选，实现精确匹配。

问：AI 能看到对话中的完整消息内容吗？

答：服务器返回的对话数据包含完整的消息记录和相关联系人信息。如需处理特别敏感的内容，建议先评估数据隐私策略。

七、总结

Intercom MCP Server 用极简的设计解决了客服数据查询中的关键问题——让 AI 帮助你从海量对话中快速、精准地找到所需信息。它轻量、安全、易配置，是 Intercom 用户将 AI 集成到客户服务工作流中的实用起点。花十分钟完成安装，你就能用自然语言直接与自己的客户服务数据对话。