1. 项目概述为你的AI助手装上Loom的“眼睛”和“手”如果你和我一样日常工作里Loom录屏的使用频率高得吓人那你肯定也经历过这样的场景想找上周给客户演示的那个关键片段得在Loom库里翻半天会议结束后想快速整理出AI生成的摘要和待办事项又得在网页和笔记软件之间来回切换。更别提批量管理视频、整理文件夹这些琐碎但必要的操作了。这些重复劳动不仅耗时还打断了深度工作的心流。最近我花了不少时间折腾一个叫karbassi/mcp-loom的开源项目它完美地解决了上述痛点。简单来说这是一个MCP模型上下文协议服务器它把Loom内部GraphQL API的59个功能打包成了AI助手比如Claude、Cursor里的AI可以直接调用的“工具”。这意味着你现在可以直接用自然语言指挥AI帮你完成从搜索、查看Loom视频详情到管理评论、任务甚至整理文件夹空间等一系列操作。这不再是简单的API调用而是让AI真正成为了你处理视频内容的“数字同事”。这个项目的核心价值在于“连接”与“自动化”。它通过MCP这个新兴标准在AI模型和你日常使用的生产力工具Loom之间架起了一座桥梁。你不再需要记忆复杂的API端点或手动编写脚本只需要用说话的方式告诉AI你的需求。比如你可以说“帮我找出上个月所有提到‘Q3目标’的会议录像把它们的摘要和待办事项整理成一个Markdown文件放到‘季度复盘’文件夹里。” 剩下的AI会通过这个MCP服务器自动完成。接下来我会带你从零开始完整部署和深度使用这个工具。我会重点分享几个关键环节如何安全地获取那个有点“黑科技”的浏览器Cookie进行认证如何根据你用的AI客户端Claude Desktop, Cursor, VS Code进行针对性配置以及如何在实际工作中组合使用这些“读”和“写”工具来搭建自动化工作流。过程中踩过的坑和总结出的效率技巧我也会毫无保留地分享给你。2. 核心原理与架构拆解MCP如何让AI“理解”Loom在动手配置之前我们有必要花几分钟搞清楚这个项目到底是怎么工作的。理解其原理不仅能帮你更好地使用它还能在出问题时快速定位。整个系统的核心可以拆解为三层协议层MCP、服务层Loom MCP Server和认证层Cookie。2.1 MCPAI的“工具调用”标准协议MCP全称Model Context Protocol你可以把它想象成AI世界的“USB协议”。在没有MCP之前每个AI应用如Claude Desktop、Cursor如果想接入外部工具如搜索引擎、数据库、Loom都需要开发者为其单独编写适配器工作重复且生态割裂。MCP定义了一套标准让工具提供者比如这个Loom MCP服务器可以一次开发处处运行。它规定了工具如何向AI模型描述自己名称、参数、说明以及AI模型如何调用这些工具并获取结果。在这个项目里开发者将Loom的59个功能封装成了59个标准的MCP“工具”。当你的AI客户端加载了这个服务器后AI模型就“知道”了它可以调用诸如get_transcript、search_videos、create_comment这样的功能并且知道每个功能需要什么参数。这比让AI去直接理解原始的GraphQL API要高效和可靠得多。2.2 Loom的内部GraphQL API与Cookie认证这是整个方案中最关键也最需要理解其限制的一点。karbassi/mcp-loom服务器并非调用Loom官方公开的API。官方API功能有限且需要申请。这个项目反向工程了Loom网页端使用的内部GraphQL API。这些接口能力非常强大几乎涵盖了网页端你能做的所有事情这也是为什么这个MCP服务器功能如此全面的原因。然而使用内部API也带来了主要的挑战认证方式。官方API通常使用API Key或OAuth而内部API依赖的是维持浏览器会话的Cookie具体来说是connect.sid这个Cookie。服务器的工作原理就是模拟一个已登录的浏览器会话携带这个Cookie去请求Loom的GraphQL端点。重要提示这种基于Cookie的认证方式存在两个需要你注意的方面。第一Cookie大约有30天的有效期过期后需要重新获取。第二这意味着该工具本质上是在“模拟你本人在进行操作”所有通过它执行的操作如删除视频、发表评论都会记在你的账户下。因此在使用“写”类工具时请务必谨慎。2.3 服务器架构与工具分类这个Python编写的MCP服务器结构清晰。启动后它作为一个独立的stdio标准输入输出进程运行。你的AI客户端如Claude Desktop通过配置好的命令启动这个进程并通过stdin/stdout与它进行JSON-RPC通信。服务器内部则封装了对Loom GraphQL端点的HTTP请求逻辑。项目将59个工具明确分为两大类这个分类对于安全使用至关重要读工具30个以get_、list_、search_开头。这些工具只获取信息不会修改你的Loom数据使用起来风险极低。它们是你的“信息查询员”。写工具29个以create_、update_、delete_、add_开头。这些工具会创建、修改或删除数据是“操作执行者”。项目文档也明确警告部分破坏性操作可能不可逆。理解这个架构后你就会明白配置的核心就是两件事1. 让AI客户端能找到并启动这个服务器进程2. 让这个服务器进程能拿到有效的Cookie去“冒充”你。3. 环境准备与认证配置详解好了理论部分结束我们开始动手。整个过程分为两个核心步骤获取关键的Cookie以及根据你使用的AI客户端进行配置。我会详细说明每个步骤的细节和注意事项。3.1 获取Cookie安全地从浏览器提取会话密钥这是整个设置过程中唯一需要手动操作且稍显“技术性”的一步。别担心跟着步骤做很简单。登录并打开开发者工具首先在你的常用浏览器Chrome、Edge、Firefox均可中打开 loom.com 并确保已登录。然后按下F12键或右键点击页面选择“检查”打开开发者工具。定位到Cookie存储在开发者工具顶部找到并点击“Application”应用标签页在有些浏览器中可能叫“Storage”/存储。在左侧边栏展开“Cookies”选项然后点击其下列出的https://www.loom.com。找到并复制目标Cookie此时右侧会显示该网站存储的所有Cookie。你需要找到名为connect.sid的那一行。点击它在下方详情中你需要复制的是“Value”值字段的全部内容。这个值通常以s%3A...开头是一长串看起来乱码的字符。组装环境变量值复制的值不能直接使用。你需要为其添加前缀组成完整的Cookie字符串。格式为connect.sid你刚复制的值。例如如果你复制的值是s%3Aj%3Axxxxxxxxxxxx那么完整的字符串就是connect.sids%3Aj%3Axxxxxxxxxxxx。实操心得与注意事项安全警告这个connect.sid价值等同于你的登录密码。任何人获得它都可以在有效期内访问你的Loom账户。因此请像保管密码一样保管它不要分享给他人也不要提交到公开的代码仓库。有效期这个Cookie通常有效期为30天。到期后工具会报认证错误你需要按上述步骤重新获取一次。多账户如果你有多个Loom账户如工作和个人确保复制Cookie时登录的是你想要连接的那个账户。3.2 客户端配置适配你的AI工作流拿到Cookie后接下来就是根据你主要使用的AI客户端进行配置。项目支持几乎所有主流的MCP客户端配置逻辑大同小异核心都是告诉客户端“请用这个命令启动Loom MCP服务器并给它这个环境变量”。通用依赖无论选择哪种客户端你都需要确保系统已安装Python 3.11和uv包管理器。uv是一个快速的Python包安装器和项目管理器这里用它来一键安装和运行GitHub上的项目非常方便。安装uv通常一条命令即可详见其官网。下面我针对不同客户端的配置进行说明3.2.1 Claude Desktop 配置Claude Desktop是Anthropic官方的桌面应用配置非常直观。找到配置文件配置文件通常位于以下路径macOS:~/Library/Application Support/Claude/claude_desktop_config.jsonWindows:%APPDATA%\Claude\claude_desktop_config.jsonLinux:~/.config/Claude/claude_desktop_config.json如果文件或目录不存在手动创建即可。编辑配置文件用文本编辑器如VS Code、记事本打开这个JSON文件。将以下配置块添加到mcpServers对象中。请务必将LOOM_COOKIE的值替换为你刚才组装好的字符串。{ mcpServers: { loom: { type: stdio, command: uvx, args: [ --from, githttps://github.com/karbassi/loom-mcp.git, loom-mcp ], env: { LOOM_COOKIE: connect.sids%3A... // 替换为你的完整Cookie字符串 } } } }重启生效保存文件后完全退出并重启Claude Desktop应用。重启后Claude就具备了调用Loom工具的能力。3.2.2 Cursor / VS Code 配置Cursor内置AI的编辑器和安装了MCP插件的VS Code配置方式几乎一样。在项目根目录或用户全局配置目录下找到或创建MCP配置文件Cursor:.cursor/mcp.jsonVS Code:.vscode/mcp.json(项目级) 或 用户全局配置路径。将与Claude Desktop配置完全相同的JSON内容同样记得替换Cookie填入mcpServers部分。重启你的编辑器或者重新加载窗口/项目配置即可生效。3.2.3 Claude Code 配置Claude Code是另一个命令行工具配置方式更“极客”。通过命令行添加服务器claude mcp add loom -- uvx --from githttps://github.com/karbassi/loom-mcp.git loom-mcp这条命令会注册服务器。设置环境变量你需要将LOOM_COOKIE设置为系统环境变量或者在你启动Claude Code的Shell会话中设置。export LOOM_COOKIEconnect.sids%3A... # 替换为你的Cookie为了方便建议将这行export命令添加到你的Shell配置文件如~/.zshrc或~/.bashrc中。完成以上任一种配置后你的AI助手就已经武装完毕。你可以打开对话窗口尝试问一句“列出我最近的5个Loom视频。” 如果配置正确AI会理解你的意图并调用list_videos工具返回结果。4. 核心工具使用指南与自动化工作流配置成功只是开始真正释放生产力在于如何巧妙使用这些工具。59个工具看似繁多但我们可以将其归纳为几个核心场景并组合成自动化工作流。4.1 信息检索与内容提取你的视频知识库管家这是“读”工具的核心应用场景。你不再需要手动点开每个视频去翻找信息。精准搜索利用search_videos进行语义搜索。例如你可以让AI“搜索上周关于项目‘凤凰’启动会议的视频”。AI会理解你的自然语言调用工具并返回相关视频列表。一键获取所有内容get_video_details是这个项目的“王牌”读工具。它一次性获取视频元数据、完整转录稿、AI摘要、章节、关键要点、评论、任务等几乎所有信息。当你需要对一个会议录像进行深度复盘时这个工具能节省大量时间。本地化存档这是我最喜欢的功能之一。几乎所有读工具都支持save_dir参数。你可以在提问时直接指定例如“获取视频ID为abc123的转录稿、摘要和待办事项并保存到./meeting_notes/目录下。” AI会自动创建以视频ID命名的子文件夹并将不同内容保存为transcript.txt、summary.txt、tasks.txt等文件。get_video_details还会额外生成一个汇总的details.md文件便于阅读。实操示例 假设你刚结束一个产品评审会视频已自动上传到Loom。你可以对AI说“请找到我今天最新录制的Loom视频获取它的详细内容包括转录、摘要、章节和行动项并保存到./project_review/文件夹里。”AI会执行类似以下逻辑调用list_videos按时间排序找到最新的视频获取其ID。调用get_video_details(video_idxxx, save_dirproject_review)。在./project_review/xxx/目录下你会得到一系列文件以及一个结构清晰的details.md报告。4.2 内容管理与互动让AI成为你的视频助理“写”工具赋予了AI操作能力但需要谨慎使用。我建议先从非破坏性的操作开始比如添加评论、管理任务。会议跟进自动化会议结束后你可以让AI“为视频abc123在时间点01:30添加一个评论内容为‘此处提到的API速率限制需要与后端团队确认’。” 这相当于自动打了一个时间戳标签。任务管理集成利用get_tasks提取AI生成的任务项然后让AI帮你将这些任务项批量创建或同步到你的任务管理工具如Todoist、Jira这需要其他MCP服务器或自定义逻辑。或者直接使用create_task、approve_task在Loom内部管理行动项。资料整理使用move_videos和create_folder等工具可以让AI根据视频内容或你的指令自动将视频归档到对应的文件夹。例如“将所有标题中含有‘客户反馈’的视频移动到名为‘客户反馈’的文件夹中。”4.3 构建复合型工作流单一工具强大组合起来更能创造神奇效果。你可以给AI描述一个复杂的多步任务。场景每周五下午你需要整理本周所有内部培训视频生成一份学习报告。你可以对AI说“搜索本周一至今标题或描述中含有‘培训’或‘onboarding’的视频。为每个视频获取详细内容get_video_details并保存到./weekly_training/[视频日期]/下。然后读取所有这些视频的summary.txt和key_takeaways.txt为我整合成一份本周培训要点总结的Markdown报告。”虽然当前的MCP服务器本身不直接具备跨文件分析和总结的能力但AI如Claude在获取了所有文件内容后完全可以进行下一步的文本处理和总结。这勾勒出了一个“信息获取 - 本地存储 - 智能分析”的自动化流水线雏形。5. 常见问题排查与进阶技巧在实际使用中你可能会遇到一些问题。这里我整理了一份排查清单和几个提升体验的技巧。5.1 故障排查速查表问题现象可能原因解决方案AI无法识别Loom工具或提示“未配置相关工具”。1. MCP服务器配置未生效。2. 配置文件路径或格式错误。3. 客户端未重启。1. 检查配置文件JSON语法确保无错误。2. 确认配置文件放在正确路径。3.完全重启AI客户端Claude Desktop/Cursor等。工具调用失败返回“Authentication failed”或“Cookie无效”错误。1.LOOM_COOKIE环境变量值错误或缺失。2. Cookie已过期约30天。3. Cookie字符串前缀connect.sid缺失。1. 仔细检查Cookie值确保完整复制并以connect.sid开头。2.重新按步骤获取新的Cookie。3. 对于Claude Code确认环境变量已正确设置可用echo $LOOM_COOKIE验证。运行命令如uvx未找到。系统未安装uv包管理器。前往https://docs.astral.sh/uv/根据指引安装uv。调用get_video_details等工具时长时间无响应或报错。1. 网络问题。2. 视频内容极大处理耗时。3. Loom API暂时性故障。1. 检查网络连接。2. 先尝试调用get_video等简单工具测试连通性。3. 稍后重试或分别获取单项内容。使用“写”工具如delete_video后后悔。部分破坏性操作在Loom中可能无法直接撤销。极度谨慎使用删除、移动类工具。操作前可通过get_video二次确认目标。删除的视频可能可在网页端“垃圾箱”找回recover_video工具。5.2 使用MCP Inspector进行深度调试如果遇到复杂问题或者单纯想了解工具调用的底层细节可以使用官方MCP Inspector工具。它是一个独立的调试器可以让你看到AI客户端和MCP服务器之间原始的JSON-RPC通信。安装并运行Inspectornpx modelcontextprotocol/inspector uvx --from githttps://github.com/karbassi/loom-mcp.git loom-mcp运行后它会提示你设置LOOM_COOKIE环境变量并给出一个本地URL如http://localhost:5173。在浏览器中打开该URL你会看到一个简单的界面。在这里你可以手动输入工具名称和参数直接向服务器发送请求并查看原始返回。这对于验证Cookie是否有效、工具参数格式是否正确具有极大帮助。5.3 进阶技巧与安全实践Cookie管理进阶将LOOM_COOKIE存储在系统的密钥管理器中如macOS的钥匙串、Windows的Credential Manager并通过脚本或客户端配置动态读取而不是写在明文的配置文件中这样更安全。作用域限制在团队或共享环境中可以考虑创建一个专用的、权限受限的Loom子账户来生成Cookie避免使用主账户以隔离风险。组合其他MCP服务器真正的威力在于组合。你可以同时配置Loom MCP服务器和文件系统MCP服务器。这样AI就可以实现“从Loom获取视频摘要 - 分析内容 - 将总结写入本地文件”的完整闭环。从提问到指令初期你可能习惯问“你能帮我列出视频吗”。熟练后可以直接给出指令“使用list_videos工具按时间倒序排列给我前10个。” AI能很好地理解这种直接的工具调用指令有时效率更高。经过这样一番配置和探索你的AI助手就不再只是一个聊天机器人而是一个真正能深入你的工作流、处理具体事务的智能体。karbassi/mcp-loom这个项目巧妙地利用MCP协议将复杂的GraphQL API封装成了自然语言的接口这种思路非常值得借鉴。我开始思考自己日常中还有哪些重复、繁琐的操作可以通过一个简单的MCP服务器来交给AI自动化。或许下一个要拆解和自动化的就是你的日历、邮件或者项目管理工具。