Att kopiera incidentlänkar, omformatera platser och svara på “är det här fortfarande aktuellt?” är den typen av rutinjobb som i det tysta sabbar demos och saktar ner riktig support. Du slutar med att göra API-uppslagningar för hand, klistrar in bitar i chatten och gör om samma sak igen.
Den här BikeWise Claude lookup träffar produktdemo-folk först. Men driftteam som får säkerhetsfrågor och konsulter som bygger snabba prototyper känner av det också. Resultatet är enkelt: uppslagning av incidenter och platser på beställning i Claude Desktop, med live-data från BikeWise.
Det här arbetsflödet gör BikeWise API till en MCP-“tool server” som Claude kan anropa. Du får se vad som automatiseras, vad du får tillbaka och de få inställningsdetaljer som faktiskt spelar roll.
Så fungerar den här automatiseringen
Hela n8n-arbetsflödet, från trigger till slutligt utdata:
n8n Workflow Template: BikeWise till Claude Desktop: incidentuppslag live
flowchart LR
subgraph sg0["MCP API Entry Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "MCP API Entry Trigger", pos: "b", h: 48 }
n1@{ icon: "mdi:web", form: "rounded", label: "Fetch Incident Pages", pos: "b", h: 48 }
n2@{ icon: "mdi:web", form: "rounded", label: "Retrieve Incident Detail", pos: "b", h: 48 }
n3@{ icon: "mdi:web", form: "rounded", label: "Fetch Location GeoJSON", pos: "b", h: 48 }
n4@{ icon: "mdi:web", form: "rounded", label: "Fetch Location Markers", pos: "b", h: 48 }
n2 -.-> n0
n3 -.-> n0
n1 -.-> n0
n4 -.-> n0
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n1,n2,n3,n4 api
Problemet: live-uppslagningar av incidenter ska inte vara manuella
Om du någon gång har försökt svara på frågan “vad händer nära X?” i realtid känner du igen rutinen. Du öppnar BikeWise, matar in filter, kopierar URL:en och måste ändå förklara vad resultaten betyder. När någon ber om detaljer för ett specifikt incident-ID blir det ännu en flik, ännu en förfrågan, ännu en inklistring. Det låter som en småsak tills du gör det framför en kund, eller tio gånger om dagen för interna team. Den mentala belastningen är ärligt talat värre än tidsåtgången, eftersom du hela tiden växlar kontext.
Det blir snabbt mycket. Här är var det faller isär.
- Du svarar på samma fråga “senaste incidenterna nära det här området” om och om igen, och varje gång börjar du från noll.
- Manuell kopiering är skör, så det är lätt att klistra in fel incident, fel ID eller ett föråldrat resultat.
- Platsdata kommer tillbaka i format som de flesta inte vill tolka, vilket gör att du får översätta GeoJSON för hand.
- Demos känns mindre trovärdiga när du inte med säkerhet kan säga att datan är aktuell utan att göra en live-skärmdelning av webbläsaren.
Lösningen: BikeWise API-verktyg i Claude Desktop
Det här n8n-arbetsflödet sätter upp en liten MCP-server som exponerar fyra BikeWise API v2-operationer som “verktyg” för AI-agenter. I stället för att du gör uppslagningar i en webbläsare anropar Claude Desktop verktygs-endpointen, skickar parametrarna och får tillbaka det råa BikeWise-svaret i kontext. En fråga som “visa nyliga stöldincidenter nära centrum” blir en strukturerad API-förfrågan bakom kulisserna. När någon vill ha en specifik incident via ID kan Claude hämta detaljerna direkt och sammanfatta dem på klarspråk. Du får också två plats-endpoints för GeoJSON och enkla markörformat, vilket gör kartrelaterade frågor och svar mycket enklare att hantera.
Arbetsflödet startar när Claude (eller en annan MCP-klient) anropar din MCP-server-URL. n8n routar förfrågan till rätt BikeWise-endpoint via en intern switch och gör sedan en HTTP-förfrågan till https://bikewise.org/api. Till sist returneras livesvaret direkt tillbaka till AI-agenten, så svaret och datan hänger ihop.
Det här får du: automatisering vs. resultat
| Vad det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du gör 10 live-uppslagningar om dagen under säljdemos och supportsamtal. Manuellt tar det oftast runt 5 minuter per gång att söka, öppna rätt incident, kopiera detaljer och förklara vad du ser (alltså cirka 50 minuter per dag). Med det här arbetsflödet frågar du Claude på vanlig svenska, den anropar BikeWise-endpointen och du får resultatet i samma fönster på under en minut. Det är ungefär 40 minuter tillbaka per dag, och svaren blir konsekventa.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
- BikeWise API v2 för live-incidenter och platsdata.
- Claude Desktop för att fråga MCP-verktygen konversationsbaserat.
- BikeWise API-inloggningsuppgifter (hämta dem i dina inställningar för BikeWise API-åtkomst).
Kunskapsnivå: Medel. Du klistrar in en webhook-URL i Claudes MCP-konfiguration och lägger till API-inloggningsuppgifter i n8n.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
MCP-förfrågan triggar servern. Claude Desktop skickar en verktygsförfrågan till din n8n MCP Server Trigger-URL, som fungerar som ytterdörren till integrationen.
Parametrar hämtas från AI-förfrågan. Arbetsflödet använder AI-vänliga platshållare så att agenten kan ange saker som incident-ID:n, filter, bounding boxes och andra query-fält utan att du kopplar varje input manuellt.
BikeWise-endpoints anropas via HTTP. n8n routar förfrågan till en av fyra operationer och anropar BikeWise API (incidentlista, incidentdetalj, platser GeoJSON eller platsmarkörer) och fångar svaret.
Resultaten flödar tillbaka till Claude. Arbetsflödet returnerar BikeWise originalrespons, vilket gör att Claude kan citera fält, sammanfatta dem eller använda dem som kontext för din nästa fråga.
Du kan enkelt ändra vilka endpoints som exponeras för att lägga till fler BikeWise-operationer utifrån dina behov. Se hela implementationsguiden nedan för alternativ för anpassning.
Steg-för-steg-guide för implementering
Steg 1: konfigurera MCP-triggern
Konfigurera MCP-ingångspunkten som exponerar era verktyg för MCP-servern.
- Lägg till noden MCP API Entry Trigger på arbetsytan.
- Ställ in Path på
bikewise-api-v2-mcp. - Bekräfta att noden är redo att ta emot verktygsanslutningar för MCP-förfrågningar.
Steg 2: anslut BikeWise API-autentiseringsuppgifter
Alla incident- och platsverktyg autentiserar med autentiseringsuppgifter i HTTP-headern, som måste kopplas på MCP-föräldranivå.
- Öppna MCP API Entry Trigger och säkerställ att den är redo att hantera autentiseringsuppgifter för verktyg.
- Credential Required: Anslut era
genericCredentialType-uppgifter (HTTP-header-autentisering) för BikeWise API. - Bekräfta att verktygen Fetch Incident Pages, Retrieve Incident Detail, Fetch Location GeoJSON och Fetch Location Markers är anslutna som AI-verktyg till MCP API Entry Trigger.
Steg 3: konfigurera incident- och platsverktyg
Konfigurera varje verktygs URL och query-parametrar så att MCP kan hämta incidentdata och geojson för platser från BikeWise.
- I Fetch Incident Pages ställer ni in URL på
=https://bikewise.org/api/v2/incidentsoch aktiverar Send Query. - I Fetch Incident Pages lägger ni till query-parametrar med uttryck som
{{ $fromAI('page', 'Page of results to fetch.', 'number', 1) }},{{ $fromAI('per_page', 'Number of results to return per page.', 'number') }}och{{ $fromAI('incident_type', 'Only incidents of specific type', 'string') }}. - I Retrieve Incident Detail ställer ni in URL på
=https://bikewise.org/api/v2/incidents/{{ $fromAI('id', 'Incident ID', 'number') }}för ID-baserade uppslag. - I Fetch Location GeoJSON ställer ni in URL på
=https://bikewise.org/api/v2/locationsoch aktiverar Send Query med uttryck som{{ $fromAI('limit', 'Max number of results to return. Defaults to 100', 'number') }}och{{ $fromAI('all', 'Give âem all to me. Will ignore limit', 'boolean') }}. - I Fetch Location Markers ställer ni in URL på
=https://bikewise.org/api/v2/locations/markersoch använder samma parameteruttryck som i Fetch Location GeoJSON.
$fromAI(...)-uttrycken intakta så att MCP-klienter dynamiskt kan skicka filter som tidsintervall, närhet och gränser.Steg 4: granska anteckningar och struktur
Det här arbetsflödet innehåller en varumärkesanteckning för dokumentationsreferens och påverkar inte körningen.
- Behåll Flowpast Branding som en referensanteckning; den är en sticky note och körs inte.
- Verifiera att verktygsnoder endast är anslutna som AI-verktyg till MCP API Entry Trigger; det finns ingen parallell körning i det här arbetsflödet.
Steg 5: testa och aktivera ert arbetsflöde
Validera att MCP-endpointen är nåbar och att verktygen returnerar BikeWise-data korrekt.
- Klicka på Execute Workflow för att starta MCP API Entry Trigger i testläge.
- Från er MCP-klient anropar ni verktygsendpoints och verifierar att Fetch Incident Pages, Retrieve Incident Detail, Fetch Location GeoJSON och Fetch Location Markers returnerar förväntade JSON-payloads.
- Om förfrågningar misslyckas, kontrollera HTTP-header-uppgifterna igen och bekräfta att BikeWise API-endpoints är åtkomliga.
- Växla arbetsflödet till Active för att aktivera det för MCP-förfrågningar i produktion.
Vanliga fallgropar
- BikeWise API-inloggningsuppgifter kan gå ut eller matas in fel. Om det slutar fungera, kontrollera avsnittet för inloggningsuppgifter i n8n och spara om BikeWise-autentiseringen först.
- Om du testar med Claude och uppdaterar snabbt kan du slå i rate limits eller råka ut för tillfällig seghet uppströms. När svaren kommer tillbaka tomma, försök igen med samma förfrågan efter en kort paus.
- AI-angivna parametrar kan vara för breda. Skärp standardvärden (som platsradie eller datumfilter), annars returnerar Claude enorma payloads som är jobbiga att tolka.
Vanliga frågor
Cirka 20 minuter om du redan har dina BikeWise-inloggningsuppgifter.
Nej. Du kommer mest att klistra in URL:er och koppla inloggningsuppgifter i n8n.
Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod i n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med OpenAI-användning om du aktiverar OpenAI-chatmodellen i arbetsflödet.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och hanterar n8n bra. Egen drift ger obegränsat antal körningar men kräver grundläggande serverhantering.
Ja, och det är den vanligaste justeringen. Du kan duplicera en av de befintliga HTTP Request-verktygsnoderna (till exempel anropet för incidentlistan), peka den mot en ny BikeWise v2-sökväg och sedan uppdatera routnings-switchen så att Claude kan välja den. Många team lägger till striktare standardvärden för datumintervall eller ett “säkert läge” som begränsar payload-storleken för tydligare sammanfattningar. Om du vill ha utdata i ett mer mänskligt format kan du lägga till ett litet “transform”-steg innan du returnerar svaret.
Oftast är det ett problem med inloggningsuppgifter i n8n, till exempel en API-nyckel som klistrats in med ett extra mellanslag eller en auth-header som inte sparades. Uppdatera BikeWise-inloggningsuppgiften i n8n, kör om en enskild testförfrågan och kontrollera körningsloggen för HTTP-statuskoden. Om du blir nekad, verifiera att nyckeln är giltig för de v2-endpoints du anropar. Och om det bara fallerar vid hård testning, bromsa dina retries för att undvika rate limiting.
I n8n Cloud är den praktiska gränsen din månatliga kvot för körningar (Starter räcker för lätt daglig användning, Pro klarar mer). Om du kör egen drift finns ingen begränsning för antal körningar, så det handlar mest om serverstorlek och BikeWise API-gränser. För de flesta små team är dussintals uppslagningar per dag inga problem.
Ofta, ja. MCP-liknande tool servers och routing över flera endpoints passar naturligt i n8n, och egen drift spelar roll om du förväntar dig många förfrågningar. Zapier eller Make kan fungera för enkla “anropa en endpoint och posta resultatet”, men du märker begränsningarna när du vill ha flera operationer och bättre kontroll över hur payloaden formas. Att ha allt i ett n8n-arbetsflöde gör också felsökning enklare eftersom du kan granska varje körning. Om du väljer mellan angreppssätt, prata med en automationsexpert så får du en rak rekommendation utifrån volym och komplexitet.
När det här väl är live slutar “kan du kolla upp det?” vara en uppgift. Det blir bara en fråga du ställer, och så går du vidare.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.