Proč vytvořit MCP server pro vaši aplikaci v roce 2026?

Věděli jsme, že FlowHunt potřebuje MCP server, a nemysleli jsme si, že by nám jako vývojářům pomohl. Nakonec nám pomohl nejvíc.

Klíčové poznatky

• Vždy jsme věděli, že FlowHunt potřebuje MCP server. Viděli jsme jej jako funkci, kterou uživatelé očekávají, a byli jsme si jisti, že nám jako vývojářům vůbec nepomůže. To se ukázalo jako chybné.
• Agent připojený k MCP serveru nevidí kód. Vidí pouze nástroje a jejich odpovědi, takže testuje aplikaci tak, jak by ji testoval uživatel. V našem testování před spuštěním našel běhy, které hlásily nulové náklady, hromadné akce, které říkaly “úspěch” pro ID, která neexistovala, a dávku 11 řádků, která hlásila 16 hotových. Všechny jsme opravili před spuštěním serveru.
• Také nám to ukázalo, kde se náš design neshodoval s tím, jak agent myslí. Šest agentů stavících toky se na prvním pokusu zhroutilo kvůli jednému názvu argumentu.
• Budování s kódovacím agentem bylo poměrně rychlé, protože naše API již existovalo. Většina práce spočívala v rozhodnutí, co vystavit a jak to bezpečně udělat.
• Oba servery jsou živé: AmICited pro SEO, GEO a AEO, a AI Studio pro automatizaci, kde váš agent staví toky ze znalostí v naší Agents Library. Kroky připojení jsou na konci.

Proč vytvořit MCP server, pokud vaše aplikace již má API?

MCP server vystavuje vaši aplikaci AI agentům prostřednictvím Model Context Protocol , otevřeného standardu, který umožňuje MCP klientům, jako je Claude, ChatGPT nebo Cursor, objevit vaše nástroje a volat je. Pokud jste na něj noví, náš průvodce co je MCP server se zabývá základy.

FlowHunt dlouho neměl správný MCP server. Každá populární aplikace se zdála, že ho šíří, a my jsme měli betaverzí tu a tam, ale nikdo si na to nevěnoval čas, aby to dokončil.

Věděli jsme, že jej potřebujeme. S AmICited bylo zřejmé, protože lidé chtějí požádat agenta “jak je moje značka citována v AI vyhledávání tento týden” bez otevírání panelu. AI Studio, náš vizuální tvůrce toků, potřeboval jeden také. Prostě jsme to viděli jako zaškrtávací políčko: něco, co uživatelé očekávají, co má cenu, nic zvláštního. A byli jsme si jisti, že nám jako vývojářům to nemá co nabídnout. Byl by to jen jeden další povrch API k údržbě.

Opak se ukázal být pravdou. MCP server se stal jednou z nejužitečnějších věcí, které jsme v roce 2026 postavili, a lidem, kterým pomohl nejvíc, jsme byli my.

Připraveni rozšířit své podnikání?

Začněte svou bezplatnou zkušební verzi ještě dnes a viďte výsledky během několika dní.

Požádat o demo Přihlásit se

Jak vytvořit MCP server pro existující aplikaci

Pokud již máte aplikaci, již máte většinu MCP serveru. Funkce a trasy API existují. Co zbývá, je především rozhodnutí, a kódovací agent je dělá rychle. Samotný kód (instalace SDK, definování nástroje, spuštění serveru) si přečtěte v naší příručce vývoje MCP serveru .

Převeďte své trasy API na nástroje MCP

1. Požádejte svého agenta, aby vypsal každou funkci a trasu API, kterou má aplikace.
2. Rozhodněte se, které z nich by měl agent moci používat. Pro nás to bylo téměř vše, co může uživatel dělat na panelu.
3. Nechte agenta zabalit každou jako nástroj: jméno, popis napsaný slovy, které by uživatel hledal, a volání existujícího koncového bodu.
4. Proveďte bezpečnostní práci.
5. Odešlete server do konektorových adresářů Anthropic a dalších poskytovatelů AI, aby jej lidé mohli najít tam, kde již hledají.

Naše MCP nástroje jsou tenké obálky. Každý volá existující koncový bod a vrací jeho existující odpověď, takže agent může vypisovat toky, číst canvas toku, upravovat jej, spouštět jej a číst výsledek. Oprávnění a kontroly kreditu žijí pod touto obálkou, takže agent dostane přesně ta práva, která má uživatel na panelu.

Zabezpečete MCP server

Bezpečnostní práce vyžadovala nejvíce přemýšlení, a přesto to byla otázka soustředěných sezení s Claude, nikoli týdnů. V těchto sezeních jsme:

• přesunuli přihlášení na OAuth, s granty, které uživatel vidí a může odvolat z panelu
• vázali každé připojení na jeden pracovní prostor, aby žádný nástroj nepřijal ID pracovního prostoru, které by agent mohl změnit
• omezili velikosti importu a souběžnost
• označili každý nástroj, který zapisuje data, a příznakem označili mazání a cokoli, co utratí peníze jako destruktivní

Nic z toho není exotické. Je to stejný kontrolní seznam, který byste spustili na jakémkoli veřejném API. Claude byl dobrý v hledání míst, kde jsme jeden vynechali. Naše kontrolní seznam bezpečnosti MCP a příspěvek o autentifikaci MCP s OAuth jdou hlouběji.

Jak se testování MCP serveru liší od jednotkových testů?

Toto jsem nepředvídal.

Když agenti pro vás píšou kód, testují především kód. Spouštějí jednotkové testy. Někdy dělají průchod ověřením nebo kliknutí přes webové uživatelské rozhraní v prohlížeči. To vše kontroluje, zda kód dělá to, co kód říká. Nic z toho nekontroluje, zda osoba nebo agent opravdu mohou svou práci s produktem zvládnout.

MCP server to mění. Agent k němu připojený nevidí zdroj. Vidí pouze nástroje, jejich popisy a odpovědi, které vracejí. To je stejná pozice jako skutečného uživatele, takže když agent používá MCP server, testuje aplikaci.

Co agenti našli před spuštěním

Náš test černé skříňky před spuštěním dělal přesně to. Dali jsme agentům úkoly a nechali je používat AI Studio prostřednictvím MCP serveru v našem interním testovacím prostředí, a našli problémy, které jednotkový test nezachytil:

• Hotový běh hlásil nulové náklady, i když vynaložil kredity.
• Hromadné akce říkaly “úspěch” pro ID, která neexistovala.
• Dávka 11 řádků hlásila 16 hotových řádků, protože přehrané kroky počítaly hotové řádky podruhé.
• Zastavený běh vypadal, že stále běží, a zůstal takto navždy.
• Změna odpovědi FAQ neaktualizovala její alternativní otázky.
• Nástroje přijímaly nastavení, která produkt nemůže používat, jako je název modelu, který není v katalogu, a uložily je bez stížnosti.

Žádný z nich nedosáhl našich uživatelů. Interní testování je našlo a opravili jsme je před spuštěním serveru. Jednotkové testy prošly kolem všech, a osoba klikající na uživatelské rozhraní by je stejně mohla snadno vynechat, obnovit stránku nebo pokrčit rameny na podivnému číslu. Agent ne. Vezme odpověď za jejich slovo a udělá to špatně dál, což vám přesně ukazuje, kde byla odpověď špatná.

Přihlaste se k odběru newsletteru

Získejte nejnovější tipy, trendy a nabídky zdarma.

E-mailová adresa

Přihlásit se

Jaké mezery v designu nástrojů agenti odhalili?

Druhý druh nálezu byl zajímavější. Nebyly to chyby. Byly to mezery mezi tím, jak jsme nástroj navrhli a jak se agent ve skutečnosti pokusil jej používat.

Názvy argumentů, které agent hádá

V jednom testu šest agentů každý postavilo tok přes MCP server. Všech šest selhalo na prvním pokusu vyhledat komponentu, protože uhodli, že argument se jmenuje type a my jsme jej pojmenovali component_type. Jeden agent strávil asi deset volání hledáním Google search, protože naše hledání umístilo krok “Search Received Orders” z integrace ERP nad “Google Search Retriever”, když jste zadali “search”.

Nikdy byste to nepolapili v přezkumu kódu, protože kód byl správný. Nástroj dělal to, co říkal. Prostě se to neshodovalo s tím, co by každý rozumně zkusil první. Takže jsme přejmenovali argumenty na názvy, které vyhledávací výsledky vracejí, a jsme seřadili výsledky hledání podle toho, jak dobře se shodují. Agenti přestali klopýtat.

Playbooks byly testovány stejným způsobem

Napsali jsme také krátké playbooks, servované prostřednictvím MCP serveru jako dovednosti, které říkají agentovi, jak vytvořit dobrý tok: nejprve zkontrolovat knihovnu, otestovat návrh před publikováním, držet doplnění mimo finální odpověď. Poté jsme otestovali playbooks stejným způsobem. Noví agenti přestavěli stejné úkoly s pouze playbook k přečtení, a separátní model posoudil výsledky bez vědomí, který je který. S finálním playbookem se stavitelé dokončili zhruba třetinou času, který trvali s návrhem. Běhy také odhalily mezery v samotném playboomu, například že hledání nemá filtr data, pokud do dotazu nevložíte after:YYYY-MM-DD. To se vrátilo do textu.

To je zpětnovazební smyčka, kterou jsme předtím neměli. Agent používá aplikaci, někde se zasekne, a my opravujeme to místo.

Jak MCP server mění přezkum pull requestu

Kontrola pull requestu je nyní jiná. Dříve, ověřit změnu znamenalo přečíst diff, spustit testy a možná kliknout na uživatelské rozhraní. Nyní je scénář testu věta: “připojit se k MCP serveru, postavit tok, který dělá X, spustit jej, zkontrolovat náklady.” Agent řídí skutečnou aplikaci a výsledek je něco, co můžete vložit do pull requestu jako důkaz.

Scénáře se staly jasnějšími, protože jsou psány jako uživatelské úkoly, ne jako testovací funkce. Také stojí méně tokenů. Řízení aplikace prostřednictvím nástrojů MCP je mnohem levnější než nechat agenta číst snímky obrazovky a hledat tlačítka v prohlížeči. A oni nalézají mezery mezi funkcemi, což je místo, kde skrývaly většina našich skutečných problémů.

Co MCP server mění pro vaše uživatele

FlowHunt je velká aplikace. Samotné AI Studio má toky, agenty, chatboty, znalostní báze, plány, dávky, integrace a více než tisíc komponent. AmICited má svůj vlastní dlouhý seznam zpráv. Hodně lidí shledává začátek těžkým. Dokonce i lidé, kteří začnou, vynechají funkce nebo je najdou náhodou měsíce později.

S MCP serverem to matters mu mnohem méně. Řeknete svému agentovi, co chcete, a agent najde nástroj, který to dělá. Přečte si popis, ví, která funkce se hodí, a používá ji. Až na kopírování URL připojení nemusíte otevírat panel. Lidé skončí používáním více z toho, co produkt umí, a myslím, že jej cení víc, protože to vidí všechno.

Jak připojit MCP servery FlowHunt a AmICited

Oba servery jsou živé a rád bych, aby je všichni vyzkoušeli: společnosti, agentury, marketingové týmy, zakladatelé, kteří dělají svůj vlastní SEO. Připojíte agenta, kterého již používáte, přihlásíte se, vyberete si pracovní prostor a začnete se ptát.

AmICited MCP server pro SEO, GEO a AEO

AmICited sleduje, jak AI vyhledávače citují vaši značku, a propojuje Search Console, GA4, audity webů, zpětné odkazy, konkurenty, platformy reklam a modely marketingového mixu. Prostřednictvím MCP může váš agent používat všechno. Server také přichází s 29 playbooks, které si agent může přečíst, napsané způsobem, jak tyto analýzy sami provádíme: triage poklesu provozu, audit viditelnosti AI, analýza mezery konkurentů, čistění kanibalizace, přezkum mrhání placenou akcí, “pracuje naše změna”, a více. Položíte otázku prostým slovem a agent následuje playbook, který se hodí:

• “Proč se organický provoz minulý týden snížil?”
• “Které výzvy citují moje konkurenty, ale ne nás, a jaký obsah by to vyřešil?”
• “Které ad kampaně utrácejí peníze bez konverze?”
• “Proveďte audit webu a řekněte mi pět nejhodnotnějších oprav.”

Nemusíte vědět, kterou zprávu odpověď obsahuje. Agent ví.

FlowHunt AI Studio MCP server pro automatizaci pracovních postupů

Tato část mě překvapila nejvíc. FlowHunt Agents Library má 264 publikovaných toků, které jsme v průběhu let postavili a vylepšovali, a zákazníci je najímají každý den. Destilovali jsme to, co dělá ty toky fungovat, do playboomu, který MCP server předá vašemu agentovi, orientovaného na 28 toků, které si zákazníci najímají nejvíce. Takže když požádáte svého agenta o automatizaci čeho, nezačíná z prázdného plátna. Kontroluje knihovnu pro blízkou šablonu, přečte si, jak je tento tok vytvořen (nástroje, výzvu, formát výstupu, zábrany), aplikuje vzor na váš úkol, otestuje návrh a teprve pak jej publikuje.

V praxi popíšete práci a dostanete fungující tok, který používá roky naší know-how:

• “Každé ráno shrňte zprávy o našich konkurentech a pošlete je na Slack.”
• “Přečtěte si nové support tickety, odpovězte na ty, které znalostní báze pokrývá, a označte ostatní.”
• “Postavte chatbota pro naši stránku s cenami, který odpovídá z naší dokumentace.”

Takto můžete stavět složité toky: agenty, kteří volají ostatní agenty, routery, naplánované spuštění, dávky přes tabulku. Ten druh toku trvá dlouho, než se naučíte v editoru vizuálů. Váš agent se tam dostane za minuty a poté můžete stále otevřít canvas, abyste viděli, co postavil.

Připojit v Claude Code, Claude nebo ChatGPT

Připojení trvá minutu. Přidejte server do jakéhokoli MCP klienta, který podporuje vzdálené servery. V Claude Code spusťte:

claude mcp add --transport http flowhunt-aistudio https://api.flowhunt.io/mcp/aistudio
claude mcp add --transport http flowhunt-amicited https://api.flowhunt.io/mcp/amicited

V Claude a ChatGPT přidejte stejnou URL jako vlastní konektor. Váš klient otevře přihlašovací stránku, vyberete si pracovní prostor, a agent vidí pouze tento pracovní prostor. Můžete vidět a odvolat připojené klienty z panelu kdykoli. Kroky pro každého klienta naleznete v dokumentaci připojení .

Plány a ceny

Agenta můžete připojit na 7denní zkušební verzi a v plánech Pro, Agency a Enterprise plans . Starter nezahrnuje přístup MCP. V AI Studio jsou samotná volání MCP zdarma, až do hodinového limitu, který závisí na vašem plánu: 120 volání na zkušební verzi, 600 na Pro, 2 000 na Agency a bez limitu na Enterprise. Cokoli, co utratí kredity na panelu, jako je spuštění toku, utratí stejné kredity přes MCP. Na AmICited každý MCP požadavek stojí 0,001 kreditu, takže tisíc požadavků stojí jeden kredit.

Další kroky: vytvořte MCP server a vyzkoušejte svůj

Pokud vlastníte aplikaci, vytvořte MCP server. Udělejte to i v případě, že myslíte, že je to jen funkce pro uživatele a neudělá nic pro vaše vývojáře. Mysleli jsme si to také, a mylili jsme se. Je to testovací klient, který používá váš produkt způsobem, jak by to dělal cizinec, a hlásí každý matoucí název argumentu, každé špatné číslo a každou “úspěšnost”, která nebyla skutečně úspěšná. Pokud již máte API, je jeho budování rychlé, a bezpečnostní práce je několik soustředěných sezení, ne projekt.

Pokud pracujete v marketingu, SEO nebo provozu, připojte svého agenta k FlowHunt a AmICited a dejte mu skutečný úkol ze své hodiny. Najdete funkce, které jsme měli a nevěděli jste, a nebudete muset naučit se panel, abyste je mohli používat.

MCP servery nejsou jen pro vaše uživatele. Jsou jedním z nejlepších nástrojů, které mohou mít vaši vývojáři. A pro vaše uživatele jsou nejrychlejším způsobem, jak ze svého produktu vytěžit maximum.