Sapevamo che FlowHunt aveva bisogno di un server MCP, e non pensavamo che ci aiuterebbe molto. È finito per aiutarci il più possibile.
Punti chiave
- Abbiamo sempre saputo che FlowHunt aveva bisogno di un server MCP. Lo vedevamo come una funzione che gli utenti si aspettavano e eravamo sicuri che non avrebbe fatto nulla per noi come sviluppatori. È risultato essere sbagliato.
- Un agente connesso a un server MCP non può vedere il codice. Vede solo gli strumenti e le loro risposte, quindi testa l’app come farebbe un utente. Nel nostro test prima del lancio ha trovato esecuzioni che riportavano un costo zero, azioni in blocco che dicevano “successo” per ID che non esistevano e un batch di 11 righe che riportavano 16 completate. Li abbiamo corretti tutti prima che il server fosse lanciato.
- Ci ha anche mostrato dove il nostro design non corrispondeva al modo in cui un agente pensa. Sei agenti che costruivano flussi hanno tutti fallito la loro prima chiamata a causa di un nome di argomento.
- Costruirlo con un agente di codifica è stato abbastanza veloce, perché la nostra API esisteva già. La maggior parte del lavoro riguardava cosa esporre e come renderlo sicuro.
- Entrambi i server sono attivi: AmICited per SEO, GEO e AEO, e AI Studio per l’automazione, dove il tuo agente costruisce flussi dalle conoscenze nella nostra Agents Library. I passaggi di connessione sono alla fine.
Perché creare un server MCP se la tua app ha già un’API?
Un server MCP espone la tua app agli agenti IA su Model Context Protocol , lo standard aperto che consente a un client MCP come Claude, ChatGPT o Cursor di scoprire i tuoi strumenti e chiamarli. Se sei nuovo a questo, la nostra guida su cos’è un server MCP copre le nozioni di base.
Per molto tempo, FlowHunt non aveva un server MCP adeguato. Ogni app popolare sembrava starne lanciando una, e avevamo una beta qua e là, ma nessuno si è preso il tempo di terminarla.
Sapevamo che ne avevamo bisogno. Con AmICited era ovvio, perché le persone vogliono chiedere a un agente “come il mio marchio viene citato nella ricerca IA questa settimana” senza aprire un dashboard. AI Studio, il nostro generatore di flussi visivo, aveva bisogno di uno anche. Lo vedevamo semplicemente come una casella di controllo: qualcosa che gli utenti si aspettavano, utile da avere, niente di speciale. Ed eravamo sicuri che non aveva nulla da offrirci come sviluppatori. Sarebbe stata un’altra superficie API da mantenere.
Il contrario è risultato essere vero. Il server MCP è diventato una delle cose più utili che abbiamo costruito nel 2026, e le persone che ha aiutato di più siamo stati noi.
Pronto a far crescere il tuo business?
Inizia oggi la tua prova gratuita e vedi i risultati in pochi giorni.
Come creare un server MCP per un’app esistente
Se hai già un’app, hai già la maggior parte di un server MCP. Le funzioni e le route dell’API esistono. Ciò che rimane è principalmente decisioni, e un agente di codifica le prende velocemente. Per il codice stesso (installazione dell’SDK, definizione di uno strumento, esecuzione del server), vedi la nostra guida allo sviluppo del server MCP .
Trasforma le tue route API in strumenti MCP
- Chiedi al tuo agente di elencare ogni funzione e route API che l’app ha.
- Decidi quali di essi un agente dovrebbe potere usare. Per noi era quasi tutto quello che un utente può fare nel dashboard.
- Fai che l’agente avvolga ciascuno come uno strumento: un nome, una descrizione scritta nelle parole che un utente cercherebbe e una chiamata all’endpoint esistente.
- Fai il lavoro di sicurezza.
- Invia il server alle directory dei connettori di Anthropic e altri provider di IA, in modo che le persone possano trovarla dove cercano già.
I nostri strumenti MCP sono wrapper sottili. Ciascuno chiama un endpoint esistente e restituisce la sua risposta esistente, quindi l’agente può elencare flussi, leggere il canvas di un flusso, modificarlo, eseguirlo e leggere il risultato. Le autorizzazioni e i controlli del credito vivono sotto quel wrapper, quindi l’agente ottiene esattamente i diritti che l’utente ha nel dashboard.
Proteggi il server MCP
Il lavoro di sicurezza ha richiesto il maggior pensiero, ed era comunque una questione di sessioni focalizzate con Claude, non di settimane. In quelle sessioni abbiamo:
- spostato l’accesso a OAuth, con diritti che l’utente può vedere e revocare dal dashboard
- collegato ogni connessione a uno spazio di lavoro, quindi nessuno strumento richiede un ID workspace che un agente potrebbe cambiare
- limitato le dimensioni di importazione e la concorrenza
- contrassegnato ogni strumento che scrive dati e contrassegnato eliminazioni e tutto ciò che spende soldi come distruttivo
Niente di questo è esotico. È la stessa checklist che eseguiresti su qualsiasi API pubblica. Claude era bravo a trovare i posti dove ne avevamo saltato uno. La nostra checklist di sicurezza MCP e il post su autenticazione MCP con OAuth vanno più a fondo.
Come il test del server MCP è diverso dai test unitari?
Questa è la parte che non vedevo arrivare.
Quando gli agenti scrivono codice per te, principalmente testano il codice. Eseguono i test unitari. A volte fanno un passaggio di verifica o fanno clic attraverso l’UI web in un browser. Tutto ciò verifica che il codice faccia quello che il codice dice. Niente di ciò verifica se una persona o un agente può effettivamente svolgere il suo lavoro con il prodotto.
Un server MCP cambia questo. L’agente connesso ad esso non può vedere il sorgente. Vede solo gli strumenti, le loro descrizioni e le risposte che restituiscono. Questa è la stessa posizione di un utente reale, quindi quando l’agente usa il server MCP sta testando l’app.
Cosa hanno trovato gli agenti prima del lancio
Il nostro test black-box prima del lancio ha fatto esattamente questo. Abbiamo dato ai agenti compiti e li abbiamo lasciati usare AI Studio tramite il server MCP nel nostro ambiente di test interno, e hanno trovato problemi che nessun test unitario aveva colto:
- Un’esecuzione completata ha riportato un costo di zero, anche se aveva speso crediti.
- Le azioni in blocco dicevano “successo” per ID che non esistevano.
- Un batch di 11 righe ha riportato 16 righe completate, perché i passaggi riprodotti contavano le righe completate una seconda volta.
- Un’esecuzione interrotta sembrava ancora in esecuzione e rimase così per sempre.
- Cambiare la risposta di una FAQ non ha aggiornato le sue domande alternative.
- Gli strumenti hanno accettato impostazioni che il prodotto non può usare, come un nome di modello che non è nel catalogo, e le hanno salvate senza lamentarsi.
Nessuno di questi ha raggiunto i nostri utenti. I test interni li hanno trovati e li abbiamo corretti prima che il server fosse lanciato. I test unitari avevano passato ognuno di essi e una persona che fa clic attraverso l’UI potrebbe facilmente perderli, aggiornando la pagina o scrollando per un numero strano. Un agente no. Prende la risposta al valore nominale e fa la cosa sbagliata dopo, che ti mostra esattamente dove la risposta era sbagliata.
Iscriviti alla nostra newsletter
Ricevi gratuitamente gli ultimi consigli, tendenze e offerte.
Quali lacune nella progettazione degli strumenti hanno esposto gli agenti?
Il secondo tipo di risultato era più interessante. Non erano bug. Erano lacune tra il modo in cui abbiamo progettato uno strumento e il modo in cui un agente ha effettivamente provato a usarlo.
Nomi di argomenti che un agente indovina
In un test, sei agenti ciascuno costruito un flusso sul server MCP. Tutti e sei hanno fallito la loro prima chiamata a cercare un componente, perché indovinano che l’argomento fosse chiamato type e l’avevamo chiamato component_type. Un agente ha speso circa dieci chiamate cercando Google search, perché la nostra ricerca ha classificato un passaggio “Search Received Orders” da un’integrazione ERP sopra “Google Search Retriever” quando digiti “search”.
Non lo coglieresti mai in una revisione del codice, perché il codice era corretto. Lo strumento ha fatto quello che ha detto. Semplicemente non corrispondeva a quello che chiunque avrebbe ragionevolmente provato per primo. Quindi abbiamo rinominato gli argomenti ai nomi restituiti dai risultati della ricerca e abbiamo classificato i risultati della ricerca in base a quanto bene corrispondono. Gli agenti hanno smesso di inciampare.
I playbook sono stati testati allo stesso modo
Abbiamo anche scritto brevi playbook, serviti tramite il server MCP come skill, che dicono a un agente come costruire un buon flusso: controllare prima la libreria, testare la bozza prima di pubblicare, mantenere le guardrail fuori dalla risposta finale. Poi abbiamo testato i playbook allo stesso modo. Agenti freschi hanno ricostruito gli stessi compiti con solo il playbook da leggere, e un modello separato ha giudicato i risultati senza sapere quale fosse quale. Con il playbook finale, i builder hanno finito in approssimativamente un terzo del tempo che hanno impiegato con la bozza. Le esecuzioni hanno anche esposto lacune nel playbook stesso, come il fatto che la ricerca non ha filtro di data a meno che non si metta after:YYYY-MM-DD nella query. Questo è tornato nel testo.
Questo è un feedback loop che non avevamo mai avuto prima. L’agente usa l’app, rimane bloccato da qualche parte di specifico, e noi fissiamo quel punto.
Come un server MCP cambia la revisione delle pull request
Rivedere una pull request è diverso ora. Prima, verificare un cambio significava leggere il diff, eseguire i test e forse fare clic attraverso l’UI. Ora lo scenario di test è una frase: “collegati al server MCP, costruisci un flusso che fa X, eseguilo, controlla il costo.” L’agente guida l’app reale, e il risultato è qualcosa che puoi incollare nella pull request come prova.
Gli scenari diventavano più chiari perché sono scritti come compiti utente, non come funzioni di test. Costano anche meno token. Guidare un’app tramite strumenti MCP è molto più economico che far leggere a un agente screenshot e cercare pulsanti in un browser. E trovano le lacune tra le funzioni, che è dove vivevano la maggior parte dei nostri veri problemi.
Cosa un server MCP cambia per i tuoi utenti
FlowHunt è una grande applicazione. AI Studio da solo ha flussi, agenti, chatbot, basi di conoscenza, programmi, batch, integrazioni e più di mille componenti. AmICited ha il suo lungo elenco di rapporti. Molte persone trovano difficile iniziare. Anche le persone che iniziano perdono funzioni o le trovano per caso mesi dopo.
Con il server MCP, questo conta molto meno. Dici al tuo agente quello che vuoi e l’agente trova lo strumento che lo fa. Legge la descrizione, sa quale funzione si adatta e la usa. A parte copiare l’URL di connessione, non devi aprire il dashboard. Le persone finiscono per usare più di quello che il prodotto può fare, e penso che lo apprezzino di più, perché effettivamente vedono tutto.
Come collegare i server MCP di FlowHunt e AmICited
Entrambi i server sono attivi e vorrei che tutti li provassero: aziende, agenzie, team di marketing, fondatori che fanno il loro SEO. Colleghi l’agente che già usi, accedi, scegli uno spazio di lavoro e inizia a chiedere.
Server MCP AmICited per SEO, GEO e AEO
AmICited traccia il modo in cui i motori di ricerca IA citano il tuo marchio e collega Search Console, GA4, audit del sito, backlink, competitor, piattaforme pubblicitarie e modelli di marketing mix. Tramite MCP, il tuo agente può usare tutto. Il server include anche 29 playbook che l’agente può leggere, scritti dal modo in cui eseguiamo queste analisi: triage della caduta del traffico, audit della visibilità IA, analisi del divario del competitor, pulizia della cannibalizzazione, revisione della spesa pubblicitaria, “ha funzionato il nostro cambio”, e altro ancora. Poni una domanda in parole semplici e l’agente segue il playbook che si adatta:
- “Perché il traffico organico è sceso la scorsa settimana?”
- “Quali prompt citano i miei competitor ma non noi, e quale contenuto fisserebbe questo?”
- “Quali campagne pubblicitarie spendono soldi senza convertire?”
- “Audit il sito e dimmi le cinque correzioni che vale la pena fare per prime.”
Non hai bisogno di sapere quale rapporto contiene la risposta. L’agente lo sa.
Server MCP FlowHunt AI Studio per l’automazione del flusso di lavoro
Questa parte mi ha sorpreso di più. La FlowHunt Agents Library ha 264 flussi pubblicati che abbiamo costruito e perfezionato nel corso degli anni, e i clienti assumono alcuni di essi ogni giorno. Abbiamo distillato ciò che rende questi flussi di lavoro nel playbook che il server MCP fornisce al tuo agente, orientato verso i 28 flussi che i clienti assumono di più. Quindi quando chiedi al tuo agente di automatizzare qualcosa, non inizia da un canvas vuoto. Controlla la libreria per un modello simile, legge come è costruito quel flusso (gli strumenti, il prompt, il formato di output, le guardrail), applica il modello al tuo compito, testa una bozza e solo allora lo pubblica.
In pratica, descrivi il lavoro e ottieni un flusso di lavoro funzionante che utilizza anni della nostra conoscenza:
- “Ogni mattina, riassumi le notizie sui nostri competitor e invialo a Slack.”
- “Leggi i nuovi ticket di supporto, rispondi a quelli che la base di conoscenza copre e contrassegna il resto.”
- “Crea un chatbot per la nostra pagina di prezzo che risponde dalla nostra documentazione.”
Puoi costruire flussi complessi in questo modo: agenti che chiamano altri agenti, router, esecuzioni programmate, batch su un foglio di calcolo. Quel tipo di flusso richiede un po’ di tempo per imparare nell’editor visivo. Il tuo agente arriva lì in minuti e puoi comunque aprire il canvas dopo per vedere cosa ha costruito.
Collegare in Claude Code, Claude o ChatGPT
Il collegamento richiede un minuto. Aggiungi il server a qualsiasi client MCP che supporti server remoti. In Claude Code, esegui:
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
In Claude e ChatGPT, aggiungi lo stesso URL come connettore personalizzato. Il tuo client apre una pagina di accesso, scegli lo spazio di lavoro e l’agente vede solo quello spazio di lavoro. Puoi vedere e revocare i client connessi dal dashboard in qualsiasi momento. La documentazione di connessione ha i passaggi per ogni client.
Piani e prezzi
Puoi collegare un agente alla prova di 7 giorni e ai piani Pro, Agency ed Enterprise plans . Starter non include l’accesso MCP. Su AI Studio, le stesse chiamate MCP sono gratuite, fino a un limite orario che dipende dal tuo piano: 120 chiamate sulla prova, 600 su Pro, 2.000 su Agency e nessun limite su Enterprise. Tutto ciò che spende crediti nel dashboard, come l’esecuzione di un flusso, spende gli stessi crediti tramite MCP. Su AmICited, ogni richiesta MCP costa 0,001 credito, quindi mille richieste costano un credito.
Passaggi successivi: crea un server MCP e prova il nostro
Se possiedi un’app, crea il server MCP. Fallo anche se pensi che sia solo una funzione per gli utenti e non farà nulla per i tuoi sviluppatori. Pensavamo anche così e ci sbagliavamo. È un client di test che usa il tuo prodotto come farebbe uno sconosciuto, e segnala ogni nome di argomento confuso, ogni numero sbagliato e ogni “successo” che non era uno. Se hai già un’API, costruirlo è veloce e il lavoro di sicurezza è poche sessioni focalizzate, non un progetto.
Se lavori in marketing, SEO o operazioni, collega il tuo agente a FlowHunt e AmICited e dagli un compito reale della tua settimana. Troverai funzioni che non sapevi avessimo e non dovrai imparare il dashboard per usarle.
I server MCP non sono solo per i tuoi utenti. Sono uno dei migliori strumenti che i tuoi sviluppatori possono avere. E per i tuoi utenti, sono il modo più veloce per ottenere il massimo dal tuo prodotto.
