Waarom een MCP-server voor uw app in 2026 bouwen?

We wisten dat FlowHunt een MCP-server nodig had en we dachten niet dat het ons veel zou helpen. Het hielp ons uiteindelijk het meest.

Belangrijkste inzichten

• We wisten altijd dat FlowHunt een MCP-server nodig had. We zagen het als een functie die gebruikers verwachten en we waren ervan overtuigd dat het niets voor ons als ontwikkelaars zou doen. Dat bleek onjuist te zijn.
• Een agent die is verbonden met een MCP-server kan de code niet zien. Het ziet alleen de tools en hun antwoorden, dus test het de app zoals een gebruiker zou doen. In onze test voor de lancering vond het runs die nul kosten rapporteerden, bulkacties die “succes” zeiden voor id’s die niet bestonden en een batch van 11 rijen die 16 als voltooid rapporteerden. We hebben ze allemaal gerepareerd voordat de server werd gelanceerd.
• Het toonde ons ook waar ons ontwerp niet aansloot bij hoe een agent denkt. Zes agents die flows bouwden, mislukten allemaal hun eerste aanroep vanwege één argumentnaam.
• Het bouwen ervan met een coderingagent was vrij snel, omdat onze API al bestond. Het meeste werk was het kiezen wat bloot te stellen en het veilig te maken.
• Beide servers zijn live: AmICited voor SEO, GEO en AEO, en AI Studio voor automatisering, waar uw agent flows bouwt uit de knowhow in onze Agents Library. De verbindingsstappen staan aan het einde.

Waarom een MCP-server bouwen als uw app al een API heeft?

Een MCP-server stelt uw app bloot aan AI-agents via het Model Context Protocol , de open standaard waarmee een MCP-client zoals Claude, ChatGPT of Cursor uw tools kan ontdekken en aanroepen. Als u dit nog niet kent, bevat onze gids over wat een MCP-server is de basis.

FlowHunt had lange tijd geen goede MCP-server. Elke populaire app leek er een uit te brengen en wij hadden hier en daar een bètaversie, maar niemand nam de tijd om het af te maken.

We wisten dat we er een nodig hadden. Met AmICited was het duidelijk, omdat mensen zonder het dashboard te openen aan een agent willen vragen “hoe wordt mijn merk deze week geciteerd in AI-zoeken”. AI Studio, onze visuele flowbuilder, had er ook een nodig. We zagen het gewoon als een selectievakje: iets wat gebruikers verwachten, de moeite waard om te hebben, niets bijzonders. En we waren ervan overtuigd dat het als ontwikkelaars niets voor ons zou opleveren. Het zou gewoon nog een API-oppervlak zijn om te onderhouden.

Het tegendeel bleek waar te zijn. De MCP-server werd een van de meest nuttige dingen die we in 2026 hebben gebouwd en de mensen die het meest geholpen werden, waren wij.

Klaar om uw bedrijf te laten groeien?

Start vandaag uw gratis proefperiode en zie binnen enkele dagen resultaten.

Demo aanvragen Inloggen

Hoe bouwt u een MCP-server voor een bestaande app?

Als u al een app hebt, hebt u al het meeste van een MCP-server. De functies en API-routes bestaan. Wat overblijft is meestal beslissingen en een coderingagent maakt die snel. Voor de code zelf (het SDK installeren, een tool definiëren, de server uitvoeren), zie onze MCP-server-ontwikkelingsgids .

Zet uw API-routes om in MCP-tools

1. Vraag uw agent om elke functie en API-route op te sommen die de app heeft.
2. Bepaal welke van deze een agent mag gebruiken. Voor ons was dat bijna alles wat een gebruiker in het dashboard kan doen.
3. Laat de agent elk als een tool inpakken: een naam, een beschrijving geschreven in de woorden waarnaar een gebruiker zou zoeken, en een oproep naar het bestaande eindpunt.
4. Voer het beveiligingswerk uit.
5. Dien de server in bij de connectordirectoria’s van Anthropic en andere AI-providers, zodat mensen deze kunnen vinden waar ze al zoeken.

Onze MCP-tools zijn dunne wikkelingen. Elk roept een bestaand eindpunt aan en retourneert de bestaande reactie, zodat de agent flows kan weergeven, het canvas van een flow kan lezen, het kan bewerken, uitvoeren en het resultaat kan lezen. Machtigingen en creditcontroles bevinden zich onder die wikkeling, zodat de agent precies dezelfde rechten krijgt als de gebruiker in het dashboard.

Beveilig de MCP-server

Het beveiligingswerk vergde het meeste nadenken en het was toch nog een kwestie van gerichte sessies met Claude, niet weken. In die sessies hebben we:

• de aanmelding naar OAuth verplaatst, met toestemmingen die de gebruiker kan zien en intrekken via het dashboard
• elke verbinding gebonden aan één werkruimte, dus geen tool neemt een werkruimte-id aan die een agent kan wijzigen
• importgroottes en gelijktijdigheid begrensd
• elke tool die gegevens schrijft gemarkeerd en deletes en alles wat geld uitgeeft als destructief gemarkeerd

Niets daarvan is exotisch. Het is dezelfde checklist die u op een openbare API zou uitvoeren. Claude was goed in het vinden van plaatsen waar we er een missen. Onze MCP-beveiligingschecklist en het bericht over MCP-verificatie met OAuth gaan dieper in.

Hoe verschilt MCP-servertesten van unit tests?

Dit is het deel dat ik niet zag aankomen.

Wanneer agents code voor u schrijven, testen ze meestal de code. Ze voeren de unit tests uit. Soms voeren ze een verificatiedoorgang uit of klikken ze door de webinterface in een browser. Dit alles controleert dat de code doet wat de code zegt. Niets ervan controleert of een persoon of een agent zijn taak daadwerkelijk met het product kan volbrengen.

Een MCP-server verandert dat. De agent die ermee is verbonden kan het bron niet zien. Het ziet alleen de tools, hun beschrijvingen en de antwoorden die ze retourneren. Dat is dezelfde positie als een echte gebruiker, dus wanneer de agent de MCP-server gebruikt, test het de app.

Wat de agents voor de lancering hebben gevonden

Onze black-box test voor de lancering deed precies dat. We gaven agents taken en lieten ze AI Studio door de MCP-server in onze interne testomgeving gebruiken en ze vonden problemen die geen unit test had gevonden:

• Een voltooide run rapporteerde kosten van nul, ook al had het credits uitgegeven.
• Bulkacties zeiden “succes” voor id’s die niet bestonden.
• Een batch van 11 rijen rapporteerde 16 rijen als voltooid, omdat herhaalde stappen af rijen een tweede keer telden.
• Een gestopte run zag eruit als of deze nog steeds werd uitgevoerd en bleef op die manier voor altijd.
• Het wijzigen van een antwoord van een FAQ werkte niet zijn alternatieve vragen bij.
• Tools accepteerden instellingen die het product niet kan gebruiken, zoals een modelnaam die niet in de catalogus staat, en sloegen ze zonder klachten op.

Niets hiervan bereikte onze gebruikers. Interne tests hebben het gevonden en we hebben het gerepareerd voordat de server werd gelanceerd. Unit tests hadden alles negeerd en een persoon die door de gebruikersinterface klikt, kon het gemakkelijk missen, waarbij de pagina werd vernieuwd of werd opgehaald met een oneven getal. Een agent doet dat niet. Het neemt het antwoord ter waarde en doet het volgende verkeerd, wat u precies laat zien waar het antwoord fout was.

Schrijf u in voor onze nieuwsbrief

Ontvang gratis de nieuwste tips, trends en aanbiedingen.

E-mailadres

Abonneren

Welke hiaten in het gereedschapsontwerp hebben de agents blootgesteld?

Het tweede soort bevinding was interessanter. Dit waren geen bugs. Het waren hiaten tussen hoe we een tool hebben ontworpen en hoe een agent deze daadwerkelijk probeerde te gebruiken.

Argumentnamen die een agent raadt

In een test bouwden zes agents elk een flow over de MCP-server. Ze mislukten allemaal hun eerste aanroep om een component op te zoeken, omdat ze raadden dat het argument type werd genoemd en we het component_type hadden genoemd. Een agent bracht ongeveer tien oproepen door op zoek naar Google Search, omdat onze zoekopdracht een “Search Received Orders”-stap uit een ERP-integratie hoger in de rij zette dan “Google Search Retriever” toen u “search” typte.

U zou dit nooit in een codebeoordeling bemerken, omdat de code correct was. Het gereedschap deed wat het zei. Het kwam gewoon niet overeen met wat iemand redelijk eerst zou proberen. We hebben de argumenten dus hernoemd naar de namen die de zoekresultaten retourneren en we hebben zoekresultaten gerangschikt naar hoe goed ze aansluiten. Agents stopten met struikelen.

Playbooks testen op dezelfde manier

We hebben ook korte playbooks geschreven die via de MCP-server als vaardigheden aan een agent worden geleverd en die een agent vertellen hoe je een goede flow bouwt: controleer eerst de bibliotheek, test het concept voor publicatie, hou de guardrails uit het uiteindelijke antwoord. Vervolgens hebben we de playbooks op dezelfde manier getest. Verse agents bouwden dezelfde taken met alleen de playbook om te lezen en een afzonderlijk model beoordeelde de resultaten zonder te weten welke welke was. Met de uiteindelijke playbook werden builders klaar in ongeveer een derde van de tijd die ze met het concept nodig hadden. De runs stelden ook hiaten in de playbook zelf bloot, zoals het feit dat search geen datumfilter heeft tenzij u after:YYYY-MM-DD in de query plaatst. Dat ging terug in de tekst.

Dat is een feedbacklus die we nog nooit hadden. De agent gebruikt de app, raakt ergens vast en we repareren die plek.

Hoe een MCP-server pull request review verandert

Pull request review is nu anders. Voorheen betekende het verifiëren van een wijziging het lezen van het diff, het uitvoeren van de tests en misschien door de gebruikersinterface klikken. Nu is het testscenario een zin: “verbind met de MCP-server, bouw een flow die X doet, voer deze uit, controleer de kosten.” De agent stuurt de echte app aan en het resultaat is iets wat u in de pull request als bewijs kunt plakken.

De scenario’s werden duidelijker omdat ze als gebruikerstaken worden geschreven, niet als testfuncties. Ze kosten ook minder tokens. Het aansturen van een app via MCP-tools is veel goedkoper dan een agent screenshots laten lezen en op zoek gaan naar knoppen in een browser. En ze vinden de hiaten tussen functies, wat is waar de meeste van onze echte problemen waren verborgen.

Wat een MCP-server verandert voor uw gebruikers

FlowHunt is een grote applicatie. AI Studio alleen heeft flows, agents, chatbots, kennisbases, schema’s, batches, integraties en meer dan duizend componenten. AmICited heeft zijn eigen lange lijst met rapporten. Veel mensen vinden het moeilijk om aan de slag te gaan. Zelfs mensen die beginnen, missen functies of ontdekken ze per ongeluk maanden later.

Met de MCP-server doet dat veel minder ertoe. U vertelt uw agent wat u wilt en de agent vindt het gereedschap dat het doet. Het leest de beschrijving, weet welke functie past en gebruikt het. Afgezien van het kopiëren van de verbindings-URL hoeft u het dashboard niet te openen. Mensen gebruiken uiteindelijk meer van wat het product kan doen en ik denk dat ze het meer waarderen, omdat ze het daadwerkelijk allemaal zien.

Hoe sluit u de FlowHunt en AmICited MCP-servers aan

Beide servers zijn live en ik wil graag dat iedereen ze probeert: bedrijven, agentschappen, marketingteams, oprichters die hun eigen SEO doen. U sluit de agent aan die u al gebruikt, meldt u aan, kiest een werkruimte en begint te vragen.

AmICited MCP-server voor SEO, GEO en AEO

AmICited volgt hoe AI-zoekengines uw merk citeren en deze verbindt Search Console, GA4, siteaudits, achterlinks, concurrenten, advertentieplatforms en marketingmixmodellen. Via MCP kan uw agent alles ervan gebruiken. De server bevat ook 29 playbooks die de agent kan lezen, geschreven van de manier waarop we deze analyses zelf uitvoeren: triage van verkeersdalingen, AI-zichtbaarheidsaudit, concurrentenanalysekloof, kannibalisme opruimen, betaald afvalonderzoek, “werkte onze wijziging” en meer. U stelt een vraag in gewone woorden en de agent volgt de playbook die past:

• “Waarom daalde organisch verkeer vorige week?”
• “Welke prompts citeren mijn concurrenten maar niet ons, en welke inhoud zou dat kunnen oplossen?”
• “Welke advertentiecampagnes geven geld uit zonder te converteren?”
• “Controleer de site en vertel me de vijf fixes die het eerst het waard zijn.”

U hoeft niet te weten welk rapport het antwoord bevat. De agent weet het.

FlowHunt AI Studio MCP-server voor workflowautomatisering

Dit deel verraste me het meest. De FlowHunt Agents Library bevat 264 gepubliceerde flows die we in de loop der jaren hebben gebouwd en verfijnd, en klanten huren er elke dag enkele van. We hebben gedestilleerd wat deze flows laat werken in een playbook dat de MCP-server uw agent geeft, gericht op de 28 flows die klanten het meest huren. Dus wanneer u uw agent vraagt om iets te automatiseren, begint het niet met een leeg canvas. Het controleert de bibliotheek op een dichte sjabloon, leest hoe die flow is gebouwd (de tools, de prompt, de uitvoerindeling, de guardrails), past het patroon op uw taak toe, test een concept en publiceert het pas daarna.

In de praktijk beschrijft u de taak en krijgt u een werkende flow die jaren van onze knowhow gebruikt:

• “Elke ochtend een samenvatting van het nieuws over onze concurrenten geven en het naar Slack sturen.”
• “Lees nieuwe ondersteuningstickets, beantwoord degene die de kennisbasis behandelt en tag de rest.”
• “Bouw een chatbot voor uw prijzenpagina die antwoorden geeft op basis van uw docs.”

Op deze manier kunt u complexe flows bouwen: agents die andere agents aanroepen, routers, geplande uitvoeringen, batches over een spreadsheet. Dit soort flow duurt lang om in de visuele editor te leren. Uw agent haalt het in minuten en u kunt het canvas daarna nog steeds openen om te zien wat het heeft gebouwd.

Verbind in Claude Code, Claude of ChatGPT

Het aansluiten duurt een minuut. Voeg de server toe aan elke MCP-client die remote servers ondersteunt. In Claude Code voert u uit:

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 en ChatGPT voegt u dezelfde URL toe als een aangepaste connector. Uw client opent een aanmeldingspagina, u kiest de werkruimte en de agent ziet alleen die werkruimte. U kunt verbonden clients op elk moment zien en intrekken via het dashboard. De verbindingsdocs hebben de stappen voor elke client.

Plannen en prijzen

U kunt een agent aansluiten via de 7-daagse proef en de Pro-, Agency- en Enterprise-plannen . Starter bevat geen MCP-toegang. Op AI Studio zijn de MCP-oproepen zelf gratis, tot een uurlimiet die afhankelijk is van uw plan: 120 oproepen op de proef, 600 op Pro, 2.000 op Agency en geen limiet op Enterprise. Alles wat credits in het dashboard uitgeeft, zoals het uitvoeren van een flow, geeft dezelfde credits uit via MCP. Op AmICited kost elk MCP-verzoek 0,001 credit, dus duizend verzoeken kosten één credit.

Volgende stappen: bouw een MCP-server en probeer de onze

Als u een app bezit, bouw dan de MCP-server. Doe het zelfs als je denkt dat het alleen een functie voor gebruikers is en niets voor je ontwikkelaars doet. We dachten dat ook en we hadden ongelijk. Het is een testclient die uw product gebruikt zoals een vreemde dat zou doen en het rapporteert elke verwarrende argumentnaam, elk verkeerd getal en elke “succes” die er geen was. Als u al een API hebt, is het bouwen ervan snel en het beveiligingswerk is een paar gerichte sessies, geen project.

Als u in marketing, SEO of activiteiten werkt, sluit uw agent aan op FlowHunt en AmICited en geef het een echte taak van uw week. U zult functies vinden die u niet wist dat we hadden en u hoeft het dashboard niet te leren om ze te gebruiken.

MCP-servers zijn niet alleen voor uw gebruikers. Ze zijn een van de beste hulpmiddelen die uw ontwikkelaars kunnen hebben. En voor uw gebruikers zijn ze de snelste manier om het meeste uit uw product te halen.