Uživatelská zpětná vazba MCP Server

Co dělá “Uživatelská zpětná vazba” MCP Server?

Server Uživatelské zpětné vazby MCP je jednoduchá implementace Model Context Protocolu (MCP) navržená pro umožnění workflow s člověkem ve smyčce v nástrojích jako Cline a Cursor. Jeho hlavním účelem je usnadnit přímou zpětnou vazbu uživatele během automatizovaných nebo AI-asistovaných vývojových úloh. Integrací tohoto serveru mohou workflow vyzvat uživatele k zadání vstupu, revizi nebo schválení v klíčových krocích a využít tak silných stránek jak automatizace, tak lidského úsudku. To je zvláště užitečné při testování komplexních desktopových aplikací či procesů, které vyžadují jemné lidské zhodnocení před dokončením, čímž je zajištěna kvalita a snižuje se chybovost díky zapojení skutečných uživatelů do procesu.

Seznam promptů

• user_feedback prompt
  Doporučený vzor promptu:

  Před dokončením úkolu použijte nástroj user_feedback MCP k požádání uživatele o zpětnou vazbu.
  Tento prompt zajišťuje, že LLM nebo workflow vyvolá nástroj pro zpětnou vazbu a vyžádá si explicitní schválení či vstup uživatele před dokončením úkolu.

Připraveni rozšířit své podnikání?

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

Požádat o demo Přihlásit se

Seznam zdrojů

• V dokumentaci repozitáře ani v kódu nejsou uvedeny žádné explicitní zdroje.

Seznam nástrojů

• user_feedback
  Tento nástroj umožňuje serveru MCP požádat uživatele o zpětnou vazbu. Přijímá parametry jako project_directory (cesta k projektu) a zprávu summary (např. “Implementoval(a) jsem vámi požadované změny.”). To umožňuje workflow zastavit a počkat na lidský vstup před dalším pokračováním.

Přihlaste se k odběru newsletteru

Získejte nejnovější tipy, trendy a nabídky zdarma.

E-mailová adresa

Přihlásit se

Příklady použití tohoto MCP Serveru

• Schvalování úloh s člověkem ve smyčce
  Automaticky pozastaví workflow a požádá uživatele o zpětnou vazbu či schválení před pokračováním, čímž snižuje chybovost a zlepšuje kvalitu procesu.
• Testování desktopových aplikací
  Integrace s AI-asistovanou testovací automatizací pro získání reálných uživatelských postřehů o změnách UI nebo nových funkcích během vývoje.
• Kolaborativní code review
  Vyžádání zpětné vazby na automatizované změny kódu, aby bylo zajištěno, že úpravy odpovídají lidským očekáváním.
• Moderování workflow v nedůvěryhodném prostředí
  Vyžadování explicitního schválení uživatelem pro citlivé nebo zásadní akce v automatizovaných pipelinech.
• Iterativní zpětná vazba během vývoje
  Průběžný sběr dojmů nebo návrhů uživatelů při více-krokových úlohách, což napomáhá flexibilnějším a adaptivnějším workflow.

Jak to nastavit

Windsurf

V repozitáři nebyly nalezeny žádné instrukce k nastavení pro Windsurf.

Claude

V repozitáři nebyly nalezeny žádné instrukce k nastavení pro Claude.

Cursor

Nejsou uvedeny explicitní kroky pro Cursor, ale server je navržen pro spolupráci s Cursor. Jako referenci použijte nastavení pro Cline.

Cline

1. Nainstalujte požadavky:
   • Globálně nainstalujte uv :
     • Windows: pip install uv
     • Linux/Mac: curl -LsSf https://astral.sh/uv/install.sh | sh
2. Naklonujte repozitář:
   • Například: C:\MCP\user-feedback-mcp
3. Přejděte do konfigurace MCP Serverů:
   • Otevřete Cline a přejděte do MCP Servers konfigurace.
4. Nakonfigurujte server:
   • Klikněte na Installed → Configure MCP Servers (otevře cline_mcp_settings.json)
5. Přidejte konfiguraci serveru:
   • Vložte následující JSON:

{
  "mcpServers": {
    "github.com/mrexodia/user-feedback-mcp": {
      "command": "uv",
      "args": [
        "--directory",
        "c:\\MCP\\user-feedback-mcp",
        "run",
        "server.py"
      ],
      "timeout": 600,
      "autoApprove": [
        "user_feedback"
      ]
    }
  }
}

Poznámka k zabezpečení API klíčů:
V dokumentaci ani v kódu není zmínka o API klíčích či správě tajných údajů pro tento MCP server.

Jak používat tento MCP ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho workflow ve FlowHunt začněte přidáním MCP komponenty do vašeho flow a její propojení s AI agentem:

Klikněte na MCP komponentu pro otevření konfiguračního panelu. V sekci systémové konfigurace MCP vložte detaily svého MCP serveru v následujícím formátu JSON:

{
  "user-feedback-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci může AI agent používat tento MCP jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “user-feedback-mcp” na skutečný název vašeho MCP serveru a URL nahradit vaším vlastním odkazem na MCP server.

Přehled

Náš názor

Tento MCP server je velmi zaměřený a snadno integrovatelný pro zpětnou vazbu s člověkem ve smyčce, ale postrádá rozšiřitelnost, zpřístupnění zdrojů a pokročilé funkce jako správa API klíčů nebo podpora vzorkování. Pro vývojáře, kteří potřebují pouze kontrolu zpětné vazby, je skvělý, ale pro širší využití MCP je omezený.

MCP skóre

Hodnocení: 6/10 – Velmi dobrý pro úzce zaměřené použití, ale chybí širší funkce MCP a rozšiřitelnost.