Wiedzieliśmy, że FlowHunt potrzebuje serwera MCP i nie myśleliśmy, że będzie nam dużo pomagać. Okazało się, że pomógł nam najbardziej.
Kluczowe wnioski
- Zawsze wiedzieliśmy, że FlowHunt potrzebuje serwera MCP. Widzieliśmy to jako funkcję, której oczekują użytkownicy i byliśmy pewni, że nic nam jako deweloperom nie da. To okazało się błędem.
- Agent podłączony do serwera MCP nie widzi kodu. Widzi tylko narzędzia i ich odpowiedzi, więc testuje aplikację tak jak użytkownik. W naszym testowaniu przed uruchomieniem znalazł uruchomienia raportujące zerowy koszt, akcje zbiorowe mówiące „sukces" dla identyfikatorów, które nie istniały, oraz partię 11 wierszy raportujących 16 ukończonych. Naprawiliśmy je wszystkie przed wysłaniem serwera.
- Pokazało nam też, gdzie nasz projekt nie pasował do tego, jak myśli agent. Sześciu agentów budujących przepływy uległo awarii przy pierwszym wywołaniu z powodu jednej nazwy argumentu.
- Budowanie go z agentem kodowania przebiegało dość szybko, ponieważ nasze API już istniało. Większość pracy polegała na wyborze, co ujawnić i jak to bezpieczeństwo zapewnić.
- Oba serwery są dostępne: AmICited dla SEO, GEO i AEO oraz AI Studio dla automatyzacji, gdzie Twój agent buduje przepływy z wiedzy w naszej Bibliotece Agentów. Kroki połączenia znajdują się na końcu.
Dlaczego budować serwer MCP, jeśli Twoja aplikacja ma już API?
Serwer MCP eksponuje Twoją aplikację agentom AI poprzez Model Context Protocol , otwarty standard, który pozwala klientowi MCP, takiemu jak Claude, ChatGPT lub Cursor, odkrywać Twoje narzędzia i je wywoływać. Jeśli jesteś nowy w tym temacie, nasz przewodnik na czym jest serwer MCP obejmuje podstawy.
Przez długi czas FlowHunt nie miał właściwego serwera MCP. Każda popularna aplikacja wydawała się wysyłać jeden, a my mieliśmy tutaj i tam bety, ale nikt nie poświęcił czasu na jego ukończenie.
Wiedzieliśmy, że go potrzebujemy. W przypadku AmICited było to oczywiste, ponieważ ludzie chcą zapytać agenta „jak moja marka jest cytowana w wyszukiwaniu AI w tym tygodniu" bez otwierania pulpitu. AI Studio, nasz wizualny konstruktor przepływów, też go potrzebował. Po prostu widzieliśmy to jako checkbox: coś, czego oczekują użytkownicy, warte posiadania, nic specjalnego. I byliśmy pewni, że nie ma nic do zaoferowania nam jako deweloperom. To byłaby jeszcze jedna powierzchnia API do utrzymania.
Okazało się odwrotnie. Serwer MCP stał się jedną z najbardziej przydatnych rzeczy, które zbudowaliśmy w 2026 roku, a ludzie, którzy najbardziej z niego skorzystali, to my.
Gotowy na rozwój swojej firmy?
Rozpocznij bezpłatny okres próbny już dziś i zobacz rezultaty w ciągu kilku dni.
Jak budować serwer MCP dla istniejącej aplikacji
Jeśli masz już aplikację, masz już większość serwera MCP. Funkcje i trasy API istnieją. To, co pozostało, to głównie decyzje, a agent kodowania podejmuje je szybko. Aby zapoznać się z samym kodem (instalacją SDK, definiowaniem narzędzia, uruchamianiem serwera), zobacz nasz przewodnik do tworzenia serwera MCP .
Zamień trasy API w narzędzia MCP
- Poproś swojego agenta, aby wymienił każdą funkcję i trasę API, którą ma aplikacja.
- Zdecyduj, które z nich agent powinien być w stanie używać. Dla nas były to prawie wszystkie czynności, które użytkownik może wykonać na pulpicie.
- Poproś agenta, aby opakował każdą jako narzędzie: nazwa, opis napisany słowami, które szukałby użytkownik, i wywołanie istniejącego punktu końcowego.
- Wykonaj pracę bezpieczeństwa.
- Prześlij serwer do katalogów konektorów Anthropic i innych dostawców AI, aby ludzie mogli go znaleźć w miejscach, w których już szukają.
Nasze narzędzia MCP to cienkie opakowania. Każde z nich wywołuje istniejący punkt końcowy i zwraca jego istniejącą odpowiedź, więc agent może wypisywać przepływy, czytać kanwę przepływu, edytować ją, uruchamiać i czytać wynik. Uprawnienia i kontrole kredytów żyją poniżej tego opakowania, więc agent ma dokładnie prawa, które użytkownik ma na pulpicie.
Zabezpiecz serwer MCP
Prace bezpieczeństwa wymagały najwięcej przemyśleń, a mimo to było to kwestia skupionych sesji z Claude, a nie tygodni. W tych sesjach:
- przenieśliśmy logowanie do OAuth, z grantami, które użytkownik może zobaczyć i odwołać z pulpitu
- powiązaliśmy każde połączenie z jednym workspace, więc żadne narzędzie nie pobiera identyfikatora workspace, który agent mógłby zmienić
- ograniczyliśmy rozmiary importu i współbieżność
- oznaczyliśmy każde narzędzie, które zapisuje dane, i oflagowaliśmy usunięcia i wszystko, co wydaje pieniądze, jako destrukcyjne
Nic z tego nie jest egzotyczne. To ta sama lista kontrolna, którą uruchomiłbyś na każdym publicznym API. Claude był dobry w znalezieniu miejsc, w których pominęliśmy jeden. Nasz checklist bezpieczeństwa MCP i post na uwierzytelnianie i autoryzacja MCP z OAuth idą głębiej.
Czym testowanie serwera MCP różni się od testów jednostkowych?
To jest część, której nie widziałem nadchodzącej.
Kiedy agenty piszą kod dla Ciebie, głównie testują kod. Uruchamiają testy jednostkowe. Czasami robią przebieg weryfikacyjny lub klikają przez interfejs internetowy w przeglądarce. Wszystko to sprawdza, czy kod robi to, co kod mówi. Żaden z nich nie sprawdza, czy osoba lub agent może faktycznie wykonać swoją pracę z produktem.
Serwer MCP zmienia to. Agent podłączony do niego nie może zobaczyć źródła. Widzi tylko narzędzia, ich opisy i zwrócone odpowiedzi. To ta sama pozycja, w której znajduje się prawdziwy użytkownik, więc gdy agent używa serwera MCP, testuje aplikację.
Co znaleźli agenci przed uruchomieniem
Nasz test czarnej skrzynki przed uruchomieniem robił dokładnie to. Daliśmy agentom zadania i pozwoliliśmy im używać AI Studio poprzez serwer MCP w naszym wewnętrznym środowisku testowym, a oni znaleźli problemy, które żaden test jednostkowy nie złapał:
- Ukończone uruchomienie raportowało koszt zero, mimo że wydało kredyty.
- Akcje zbiorowe mówiły „sukces" dla identyfikatorów, które nie istniały.
- Partia 11 wierszy raportowała 16 wierszy ukończonych, ponieważ powtórzone kroki liczyły ukończone wiersze drugi raz.
- Zatrzymane uruchomienie wyglądało, jakby wciąż działało, i zostało w ten sposób na zawsze.
- Zmiana odpowiedzi FAQ nie aktualizowała jej alternatywnych pytań.
- Narzędzia akceptowały ustawienia, które produkt nie może używać, takie jak nazwa modelu, która nie znajduje się w katalogu, i zapisywały je bez reklamacji.
Żaden z nich nie dotarł do naszych użytkowników. Testowanie wewnętrzne je znalazło i naprawiliśmy je przed uruchomieniem serwera. Testy jednostkowe przeszły nad każdym z nich, a osoba klikająca przez interfejs użytkownika mogła je łatwo pominąć, odświeżając stronę lub wzruszając ramionami na dziwną liczbę. Agent tego nie robi. Bierze odpowiedź za wartość nominalną i robi coś źle dalej, co pokazuje dokładnie, gdzie odpowiedź była błędna.
Dołącz do naszego newslettera
Otrzymuj najnowsze wskazówki, trendy i oferty za darmo.
Jakie luki w projektowaniu narzędzi ujawnili agenci?
Drugi rodzaj znaleziska był bardziej interesujący. To nie były błędy. To były luki między tym, jak zaprojektowaliśmy narzędzie a tym, jak agent faktycznie próbował go użyć.
Nazwy argumentów, które agent zgaduje
W jednym teście sześciu agentów każdy zbudował przepływ przez serwer MCP. Wszyscy sześciu ulegli awarii przy pierwszym wywołaniu, aby wyszukać komponent, ponieważ zgadli, że argument się zwie type a my nazwaliśmy go component_type. Jeden agent spędził około dziesięć wywołań szukając Google Search, ponieważ nasze wyszukiwanie umieściło krok „Search Received Orders" z integracji ERP powyżej „Google Search Retriever" gdy wpisałeś „search".
Nigdy byś tego nie złapał w przeglądzie kodu, ponieważ kod był poprawny. Narzędzie robiło to, co mówi. Po prostu nie pasowało do tego, co ktoś racjonalnie spróbowałby w pierwszej kolejności. Dlatego zmieniliśmy nazwy argumentów na nazwy zwrócone przez wyniki wyszukiwania i uszeregowaliśmy wyniki wyszukiwania według tego, jak dobrze odpowiadają. Agenci przestali się potykać.
Playbooki testowane w ten sam sposób
Napisaliśmy również krótkie playbooki, obsługiwane przez serwer MCP jako umiejętności, które mówią agentowi jak budować dobry przepływ: najpierw sprawdź bibliotekę, testuj szkic przed publikowaniem, trzymaj guardrails poza ostateczną odpowiedzią. Następnie testowaliśmy playbooki w ten sam sposób. Świeżacy agenci przebudowali te same zadania czytając tylko playbook, a osobny model osądził wyniki bez wiedzy, który który. Z ostatecznym playbookiem, konstruktorzy ukończyliśmy w około trzeciej części czasu, jaki zajął im szkic. Uruchomienia ujawniły również luki w samym playbooku, takie jak fakt, że wyszukiwanie nie ma filtru daty, chyba że umieścisz after:YYYY-MM-DD w zapytaniu. To wróciło do tekstu.
To jest pętla sprzężenia zwrotnego, którą nigdy wcześniej nie mieliśmy. Agent używa aplikacji, gdzieś się zatrzymuje, a my naprawiamy to miejsce.
Jak serwer MCP zmienia przegląd żądania pull
Przeglądanie żądania pull jest teraz inne. Wcześniej weryfikacja zmiany oznaczała czytanie różnicy, uruchamianie testów i możliwe klikanie przez interfejs użytkownika. Teraz scenariusz testowy to zdanie: „połącz się z serwerem MCP, zbuduj przepływ, który robi X, uruchom go, sprawdź koszt." Agent steruje rzeczywistą aplikacją, a wynik to coś, co możesz wkleić do żądania pull jako dowód.
Scenariusze stały się jaśniejsze, ponieważ są napisane jako zadania użytkownika, a nie funkcje testowe. Również kosztują mniej tokenów. Sterowanie aplikacją przez narzędzia MCP jest znacznie tańsze niż posiadanie agenta czytającego zrzuty ekranu i szukającego przycisków w przeglądarce. I znajdują luki między funkcjami, co jest miejscem, w którym ukryło się większość naszych rzeczywistych problemów.
Co serwer MCP zmienia dla Twoich użytkowników
FlowHunt to duża aplikacja. Samo AI Studio ma przepływy, agenty, chatboty, bazy wiedzy, harmonogramy, partie, integracje i ponad tysiąc komponentów. AmICited ma własną długą listę raportów. Wielu ludzi uważa to za trudne do rozpoczęcia. Nawet ludzie, którzy zaczynają, tracą funkcje lub znajdują je przypadkiem miesiące później.
Z serwerem MCP to ma znacznie mniej znaczenia. Mówisz swojemu agentowi, czego chcesz, a agent znajduje narzędzie, które to robi. Czyta opis, wie, która funkcja pasuje, i jej używa. Poza kopiowaniem adresu URL połączenia, nie musisz otwierać pulpitu. Ludzie kończą używanie większej części tego, co produkt może zrobić, i myślę, że go bardziej cenią, ponieważ faktycznie to wszystko widzą.
Jak podłączyć serwery MCP FlowHunt i AmICited
Oba serwery są dostępne i chciałbym, aby wszyscy je spróbowali: firmy, agencje, zespoły marketingu, założyciele, którzy sami zajmują się SEO. Podłączasz agenta, którego już używasz, logujesz się, wybierasz workspace i zaczynasz pytać.
Serwer AmICited MCP dla SEO, GEO i AEO
AmICited śledzi, jak silniki wyszukiwania AI cytują Twoją markę, i łączy Search Console, GA4, audyty witryn, linki zwrotne, konkurentów, platformy reklamowe i modele mieszanki marketingu. Poprzez MCP Twój agent może używać tego wszystkiego. Serwer wysyła również 29 playbooków, które agent może czytać, napisanych na podstawie tego, jak sami przeprowadzamy te analizy: triage spadku ruchu, audyt widoczności AI, analiza luki konkurencyjnej, oczyszczanie kanibalizacji, przegląd zmarnowanych wydatków na reklamy, „czy nasza zmiana zadziałała" i więcej. Pytasz w zwykłych słowach, a agent podąża za playbookiem, który pasuje:
- „Dlaczego organiczny ruch spadł w zeszłym tygodniu?"
- „Które monity cytują moich konkurentów, ale nie nas, i jaka zawartość by to naprawiła?"
- „Które kampanie reklamowe wydają pieniądze bez konwersji?"
- „Sprawdź witrynę i powiedz mi pięć napraw warte zrobienia w pierwszej kolejności."
Nie musisz wiedzieć, który raport zawiera odpowiedź. Agent wie.
Serwer FlowHunt AI Studio MCP dla automatyzacji przepływu pracy
Ta część zaskoczyła mnie najbardziej. Biblioteka Agentów FlowHunt ma 264 opublikowane przepływy, które zbudowaliśmy i dopracowaliśmy przez lata, a klienci wynajmują niektóre z nich każdego dnia. Wyabstrahowaliśmy to, co sprawia, że te przepływy działają w playbooku, który serwer MCP przekazuje Twojemu agentowi, z naciskiem na 28 przepływów, które klienci najczęściej wynajmują. Więc gdy poproszysz swojego agenta o automatyzację czegoś, nie zaczyna od pustej kanwy. Sprawdza bibliotekę w poszukiwaniu bliskiego szablonu, czyta jak ten przepływ jest zbudowany (narzędzia, monit, format wyjścia, guardrails), stosuje wzór do Twojego zadania, testuje szkic i dopiero potem go publikuje.
W praktyce opisujesz zadanie i otrzymujesz działający przepływ, który wykorzystuje latami naszą wiedzę:
- „Każdego ranka podsumowuj wiadomości o naszych konkurentach i wyślij je do Slacka."
- „Przeczytaj nowe zgłoszenia wsparcia, odpowiadaj na te, które baza wiedzy obejmuje, i oznacz resztę."
- „Zbuduj chatbota na naszej stronie z cennikami, który odpowiada na podstawie naszych dokumentów."
Możesz w ten sposób budować skomplikowane przepływy: agenty, które wywoływują innych agentów, routery, zaplanowane uruchomienia, partie z arkusza kalkulacyjnego. Ten rodzaj przepływu zajmuje trochę czasu, aby nauczyć się w edytorze wizualnym. Twój agent dostaje tam w minutach, a potem możesz nadal otwierać kanwę, aby zobaczyć co zbudował.
Podłącz w Claude Code, Claude lub ChatGPT
Połączenie zajmuje minutę. Dodaj serwer do dowolnego klienta MCP obsługującego serwery zdalne. W Claude Code uruchom:
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
W Claude i ChatGPT dodaj ten sam adres URL jako niestandardowy konektor. Twój klient otwiera stronę logowania, wybierasz workspace, a agent widzi tylko ten workspace. Możesz zobaczyć i odwołać połączone klienty z pulpitu w dowolnym momencie. Dokumentacja połączenia ma kroki dla każdego klienta.
Plany i ceny
Możesz podłączyć agenta na 7-dniowej wersji próbnej i na planach Pro, Agency i Enterprise plans . Starter nie zawiera dostępu do MCP. Na AI Studio same wywołania MCP są bezpłatne, aż do limitu godzinowego, który zależy od Twojego planu: 120 wymagan na wersji próbnej, 600 na Pro, 2000 na Agency i brak limitu na Enterprise. Wszystko, co wydaje kredyty na pulpicie, takie jak uruchomienie przepływu, wydaje te same kredyty przez MCP. Na AmICited każde żądanie MCP kosztuje 0,001 kredytu, więc tysiąc żądań kosztuje jeden kredyt.
Następne kroki: zbuduj serwer MCP i spróbuj naszego
Jeśli posiadasz aplikację, zbuduj serwer MCP. Zrób to nawet jeśli myślisz, że to tylko funkcja dla użytkowników i nie będzie nic robić dla Twoich deweloperów. My też tak myśleliśmy, a myliliśmy się. To klient testowy, który używa Twojego produktu w sposób, w jaki robiłby to nieznajomy, i raportuje każdą mylącą nazwę argumentu, każdą błędną liczbę i każdy „sukces", który nim nie był. Jeśli masz już API, jego budowanie jest szybkie, a praca bezpieczeństwa to kilka skupionych sesji, nie projekt.
Jeśli pracujesz w marketingu, SEO lub operacjach, podłącz swojego agenta do FlowHunt i AmICited i daj mu rzeczywiste zadanie z Twojego tygodnia. Znajdziesz funkcje, o których nie wiedziałeś, że mamy, i nie będziesz musiał uczyć się pulpitu, aby ich używać.
Serwery MCP są nie tylko dla Twoich użytkowników. Są jednym z najlepszych narzędzi, które mogą mieć Twoi deweloperzy. A dla Twoich użytkowników są najszybszym sposobem, aby wyciągnąć maksimum ze swojego produktu.
