Hvorfor bygge en MCP-server til din app i 2026?

Vi vidste, at FlowHunt havde brug for en MCP-server, og vi troede ikke, det ville hjælpe os særligt meget. Det endte med at hjælpe os mest.

Vigtigste konklusioner

• Vi vidste altid, at FlowHunt havde brug for en MCP-server. Vi så det som en funktion, brugerne forventer, og vi var sikre på, at det ikke ville gøre noget for os som udviklere. Det viste sig at være forkert.
• En agent forbundet til en MCP-server kan ikke se koden. Den kan kun se værktøjerne og deres svar, så den tester appen på den måde, en bruger ville gøre. Under vores test før lancering fandt den kørsler, der rapporterede nulomkostninger, massehandlinger, der sagde “succes” for id’er, der ikke fandtes, og en gruppe på 11 rækker, der rapporterede 16 udført. Vi rettede dem alle, før serveren blev sendt.
• Det viste os også, hvor vores design ikke passede sammen med, hvordan en agent tænker. Seks agenter, der byggede flows, fejlede alle deres første opkald på grund af ét argumentnavn.
• At bygge det med en kodningsagent var ret hurtigt, fordi vores API allerede eksisterede. Størstedelen af arbejdet var at vælge, hvad der skulle udsættes, og at gøre det sikkert.
• Begge servere er live: AmICited til SEO, GEO og AEO, og AI Studio til automatisering, hvor din agent bygger flows fra knowhow’et i vores Agents Library. Forbindelsestrinnene er i slutningen.

Hvorfor bygge en MCP-server, hvis din app allerede har en API?

En MCP-server udsætter din app for AI-agenter over Model Context Protocol , den åbne standard, der lader en MCP-klient såsom Claude, ChatGPT eller Cursor opdage dine værktøjer og kalde dem. Hvis du er ny til det, dækker vores guide til hvad en MCP-server er det grundlæggende.

I lang tid havde FlowHunt ikke en ordentlig MCP-server. Hver populær app så ud til at sende en af dem, og vi havde en beta her og der, men ingen tog sig tiden til at færdiggøre det.

Vi vidste, vi havde brug for en. Med AmICited var det åbenlyst, fordi folk gerne vil spørge en agent “hvordan citeres mit brand i AI-søgning denne uge” uden at åbne et dashboard. AI Studio, vores visuelle flow-builder, havde også brug for en. Vi så det bare som en afkrydsning: noget brugerne forventer, værd at have, ingenting særligt. Og vi var sikre på, at det ikke havde noget at tilbyde os som udviklere. Det ville være endnu en API-overflade at vedligeholde.

Det modsatte viste sig at være sandt. MCP-serveren blev en af de mest nyttige ting, vi byggede i 2026, og det var os, det hjalp mest.

Klar til at vokse din virksomhed?

Start din gratis prøveperiode i dag og se resultater inden for få dage.

Anmod om demo Log ind

Hvordan bygger man en MCP-server til en eksisterende app

Hvis du allerede har en app, har du allerede det meste af en MCP-server. Funktionerne og API-rutene findes. Det der er tilbage er mest beslutninger, og en kodningsagent tager dem hurtigt. For koden selv (installation af SDK, definition af værktøj, kørsel af serveren), se vores MCP-serverudviklingsvejledning .

Konverter dine API-ruter til MCP-værktøjer

1. Bed din agent om at oplist hver funktion og API-rute, appen har.
2. Beslut hvilke af dem, en agent skal kunne bruge. For os var det næsten alt, hvad en bruger kan gøre på dashboardet.
3. Lad agenten pakke hver enkelt som et værktøj: et navn, en beskrivelse skrevet i de ord, en bruger ville søge efter, og et opkald til det eksisterende endpoint.
4. Gør sikkerhedsarbejdet.
5. Indsend serveren til forbindelsesmapperne hos Anthropic og andre AI-udbydere, så folk kan finde den, hvor de allerede ser hen.

Vores MCP-værktøjer er tynde wrappers. Hver enkelt kalder et eksisterende endpoint og returnerer dets eksisterende svar, så agenten kan liste flows, læse et flow-lærred, redigere det, køre det og læse resultatet. Tilladelser og kreditkontrol bor under denne wrapper, så agenten får præcis de rettigheder, brugeren har på dashboardet.

Sikre MCP-serveren

Sikkerhedsarbejdet krævede mest tankegang, og det var stadig et spørgsmål om fokuserede sessioner med Claude, ikke uger. Under disse sessioner gjorde vi:

• flyttet login til OAuth, med tilladelser, brugeren kan se og tilbagekalde fra dashboardet
• bundet hver forbindelse til et workspace, så intet værktøj tager et workspace-id, som en agent kunne ændre
• capped importstørrelser og samtidighed
• markeret hvert værktøj, der skriver data, og flagget slettelser og alt, der bruger penge, som destruktiv

Intet af det er eksotisk. Det er det samme tjekliste, du ville køre på enhver offentlig API. Claude var god til at finde de steder, hvor vi havde glemt en. Vores MCP-sikkerhedstjekliste og indlægget om MCP-godkendelse med OAuth går dybere.

Hvordan er MCP-servertest anderledes end enhedstests?

Dette er den del, jeg ikke så komme.

Når agenter skriver kode for dig, tester de for det meste koden. De kører enhedstesterne. Nogle gange gør de et verifikationspass eller klikker gennem web-UI’en i en browser. Alt dette kontrollerer, at koden gør, hvad koden siger. Intet af det kontrollerer, om en person eller en agent faktisk kan få deres job udført med produktet.

En MCP-server ændrer det. Agenten forbundet til den kan ikke se kilden. Den kan kun se værktøjerne, deres beskrivelser og de svar, de returnerer. Det er den samme position en rigtig bruger er i, så når agenten bruger MCP-serveren, tester den appen.

Hvad agenter fandt før lancering

Vores black-box-test før lancering gjorde præcis det. Vi gav agenter opgaver og lod dem bruge AI Studio gennem MCP-serveren på vores interne testmiljø, og de fandt problemer, som ingen enhedstest havde fanget:

• En afsluttet kørsel rapporterede en omkostning på nul, selv selvom den havde brugt kreditter.
• Massehandlinger sagde “succes” for id’er, der ikke fandtes.
• En gruppe på 11 rækker rapporterede 16 rækker udført, fordi genafspillede trin tællede færdige rækker en anden gang.
• En stoppet kørsel så ud til at køre stadig, og det blev ved sådan for evigt.
• Ændring af et OSS-svar opdaterede ikke dets alternative spørgsmål.
• Værktøjer accepterede indstillinger, som produktet ikke kan bruge, såsom et modelnavn, der ikke er i kataloget, og gemte dem uden klage.

Ingen af disse nåede vores brugere. Intern test fandt dem, og vi rettede dem, før serveren blev lanceret. Enhedstests var gået over alle dem, og en person, der klikker gennem UI’en, kunne let misse dem også, genindlæsning af siden eller hakket over et ulige tal. En agent gør det ikke. Det tager svaret for pålydende værdi og gør det forkerte næste gang, som viser dig præcis hvor svaret var forkert.

Tilmeld dig vores nyhedsbrev

Få de seneste tips, trends og tilbud gratis.

E-mailadresse

Tilmeld

Hvilke værktøjsdesign-huller udsatte agenter?

Den anden slags fund var mere interessant. Disse var ikke fejl. De var huller mellem, hvordan vi designede et værktøj, og hvordan en agent faktisk forsøgte at bruge det.

Argumentnavne en agent gætter

I én test byggede seks agenter hver især et flow over MCP-serveren. Alle seks fejlede deres første opkald for at slå en komponent op, fordi de gættede, at argumentet blev kaldt type, og vi havde navngivet det component_type. En agent brugte omkring ti opkald på at lede efter Google-søgning, fordi vores søgning rankede et “Search Received Orders”-trin fra en ERP-integration over “Google Search Retriever”, når du skrev “search”.

Du ville aldrig fange det i en kodereview, fordi koden var korrekt. Værktøjet gjorde, hvad det sagde. Det matchede bare ikke, hvad nogen ville rimelig forsøge først. Så vi omdøbte argumenterne til de navne, søgeresultaterne returnerer, og vi rankede søgeresultater efter hvor godt de matcher. Agenter holdt op med at snuble.

Playbooks testet på samme måde

Vi skrev også korte playbooks, serveret gennem MCP-serveren som skills, der fortæller en agent, hvordan man bygger et godt flow: tjek biblioteket først, test udkastet før publishing, hold sikkerhedshypoteserne ud af det endelige svar. Derefter testede vi playbookene på samme måde. Friske agenter genopbyggede de samme opgaver med kun playbooken at læse, og en separat model bedømte resultaterne uden at vide, hvilket der var hvad. Med den endelige playbook afsluttede byggere på groft en tredjedel af det tidspunkt, de brugte på udkastet. Kørslerne udsatte også huller i selve playbooket, såsom det faktum, at søgning ikke har noget datofilter, medmindre du sætter after:YYYY-MM-DD i forespørgslen. Det gik tilbage i teksten.

Det er en feedback-løkke, vi aldrig har haft før. Agenten bruger appen, klemmer sig fast et specifikt sted, og vi reparerer det sted.

Hvordan en MCP-server ændrer pull request-review

At gennemse en pull request er anderledes nu. Før betød verifikation af en ændring at læse diff, køre testene og måske klikke gennem UI’en. Nu er testscenariet en sætning: “forbind til MCP-serveren, byg et flow, der gør X, kør det, tjek omkostningen.” Agenten kører den rigtige app, og resultatet er noget, du kan indsætte i pull request’en som bevis.

Scenarierne blev klarere, fordi de skrives som brugeropgaver, ikke som testfunktioner. De koster også færre tokens. At køre en app gennem MCP-værktøjer er meget billigere end at få en agent til at læse skærmbilleder og lede efter knapper i en browser. Og de finder hullerne mellem funktioner, hvilket er, hvor de fleste af vores rigtige problemer gemte sig.

Hvad en MCP-server ændrer for dine brugere

FlowHunt er en stor applikation. AI Studio alene har flows, agenter, chatbots, knowledge bases, tidsplaner, batches, integrationer og mere end tusind komponenter. AmICited har sin egen lange liste over rapporter. Mange mennesker finder det svært at komme i gang. Selv mennesker, der kommer i gang, mister funktioner eller finder dem tilfældigvis måneder senere.

Med MCP-serveren betyder det meget mindre. Du fortæller din agent, hvad du vil have, og agenten finder værktøjet, der gør det. Den læser beskrivelsen, ved hvilken funktion der passer, og bruger den. Bortset fra at kopiere forbindelses-URL’en behøver du ikke åbne dashboardet. Folk ender med at bruge mere af, hvad produktet kan gøre, og jeg tror, de værdsætter det mere, fordi de faktisk ser alt af det.

Sådan forbinder du FlowHunt- og AmICited-MCP-servererne

Begge servere er live, og jeg vil gerne, at alle prøver dem: virksomheder, bureauer, marketinghold, grundlæggere, der laver deres eget SEO. Du forbinder den agent, du allerede bruger, logger ind, vælger et workspace, og begynder at spørge.

AmICited MCP-server til SEO, GEO og AEO

AmICited sporer, hvordan AI-søgemaskiner citerer dit brand, og det forbinder Search Console, GA4, site audits, backlinks, konkurrenter, annonceplatforme og marketingmix-modeller. Gennem MCP kan din agent bruge det hele. Serveren leveres også med 29 playbooks, agenten kan læse, skrevet fra den måde, vi kører disse analyser selv: trafikfalds-triage, AI-synlighedsrevision, konkurrentgabanalyse, kannibaliseringsopcleanup, betalt affaldsvurdering, “virkede vores ændring”, og mere. Du stiller et spørgsmål i almindelige ord, og agenten følger den playbook, der passer:

• “Hvorfor faldt organisk trafik sidste uge?”
• “Hvilke prompts citerer mine konkurrenter, men ikke os, og hvad indhold ville fikse det?”
• “Hvilke annoncekampagner bruger penge uden at konvertere?”
• “Revider siden og fortæl mig de fem fikseringer værd at gøre først.”

Du behøver ikke vide, hvilken rapport der indeholder svaret. Agenten ved det.

FlowHunt AI Studio MCP-server til workflowautomation

Denne del overraskede mig mest. FlowHunt Agents Library har 264 publicerede flows, som vi har bygget og raffineret over år, og kunder hyrer nogle af dem hver dag. Vi destillerede, hvad der får disse flows til at virke, til en playbook, MCP-serveren giver til din agent, vægtsat mod de 28 flows kunder hyrer mest. Så når du beder din agent om at automatisere noget, starter den ikke fra en tom lærred. Den tjekker biblioteket efter en tæt skabelon, læser, hvordan flow’et er bygget (værktøjerne, prompten, outputformatet, sikkerhedshypoteserne), anvender mønsteret på din opgave, tester et udkast, og først derefter udgiver den det.

I praksis beskriver du jobbet og får et arbejdende flow, der bruger års vores knowhow:

• “Hver morgen, opsummer nyheder om vores konkurrenter og send det til Slack.”
• “Læs nye supportbilletter, besvar dem, knowledge basen dækker, og tag resten.”
• “Byg en chatbot til vores prisside, der svarer fra vores dokumenter.”

Du kan bygge komplekse flows på denne måde: agenter, der kalder andre agenter, routere, planlagte kørsler, batches over et regneark. Den slags flow tager et stykke tid at lære i den visuelle editor. Din agent kommer derhen på få minutter, og du kan stadig åbne lærredet bagefter for at se, hvad den byggede.

Forbind i Claude Code, Claude eller ChatGPT

Forbindelse tager et minut. Tilføj serveren til enhver MCP-klient, der understøtter eksterne servere. I Claude Code skal du køre:

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

I Claude og ChatGPT tilføjer du den samme URL som et brugerdefineret connector. Din klient åbner en loginside, du vælger workspacet, og agenten ser kun det workspace. Du kan se og tilbagekalde forbundne klienter fra dashboardet når som helst. Forbindelses-dokumenterne har trinnene for hver klient.

Planer og priser

Du kan forbinde en agent på 7-dages forsøget og på Pro-, Agency- og Enterprise-planerne . Starter inkluderer ikke MCP-adgang. På AI Studio er MCP-opkaldene selv gratis, op til en timelyg kappe, der afhænger af din plan: 120 opkald på forsøget, 600 på Pro, 2.000 på Agency, og ingen kappe på Enterprise. Alt, der bruger kreditter på dashboardet, såsom at køre et flow, bruger de samme kreditter gennem MCP. På AmICited koster hver MCP-anmodning 0,001 kredit, så tusind anmodninger koster en kredit.

Næste trin: bygger en MCP-server, og prøv vores

Hvis du ejer en app, bygger du MCP-serveren. Gør det selv, hvis du tror, det kun er en funktion for brugere og ikke gør noget for dine udviklere. Vi troede det også, og vi tog fejl. Det er en testklient, der bruger dit produkt på den måde, en fremmed ville gøre, og det rapporterer hvert forvirrende argumentnavn, hvert forkert tal og hver “succes”, der ikke var en. Hvis du allerede har en API, er det hurtigt at bygge, og sikkerhedsarbejdet er nogle få fokuserede sessioner, ikke et projekt.

Hvis du arbejder inden for marketing, SEO eller operationer, forbinder du din agent til FlowHunt og AmICited og giver det en reel opgave fra din uge. Du vil finde funktioner, du ikke vidste, vi havde, og du behøver ikke at lære dashboardet at kende for at bruge dem.

MCP-servere er ikke kun til dine brugere. De er et af de bedste værktøjer, dine udviklere kan have. Og for dine brugere er de den hurtigste måde at få det mest ud af dit produkt.