Sabíamos que o FlowHunt precisava de um servidor MCP, e não achávamos que nos ajudaria muito. Acabou nos ajudando da melhor forma.
Principais conclusões
- Sempre soubemos que o FlowHunt precisava de um servidor MCP. Vimos como um recurso que os usuários esperavam, e tínhamos certeza de que não faria nada por nós como desenvolvedores. Isso se mostrou errado.
- Um agente conectado a um servidor MCP não consegue ver o código. Ele vê apenas as ferramentas e suas respostas, então testa o aplicativo como um usuário faria. Em nossos testes antes do lançamento, ele encontrou execuções que relatavam custo zero, ações em massa que diziam “sucesso” para ids que não existiam, e um lote de 11 linhas que relatava 16 conclusões. Corrigimos todos eles antes do servidor ser lançado.
- Também nos mostrou onde nosso design não correspondia a como um agente pensa. Seis agentes construindo fluxos falharam na primeira chamada devido a um nome de argumento.
- Construir com um agente de codificação foi bastante rápido, porque nossa API já existia. A maioria do trabalho foi escolher o que expor e torná-lo seguro.
- Ambos os servidores estão ativos: AmICited para SEO, GEO e AEO, e AI Studio para automação, onde seu agente constrói fluxos a partir do conhecimento em nossa Agents Library. As etapas de conexão estão no final.
Por que construir um servidor MCP se seu aplicativo já tem uma API?
Um servidor MCP expõe seu aplicativo para agentes de IA sobre o Model Context Protocol , o padrão aberto que permite que um cliente MCP como Claude, ChatGPT ou Cursor descubra suas ferramentas e as chame. Se você é novo nisso, nosso guia sobre o que é um servidor MCP cobre o básico.
Por muito tempo, o FlowHunt não teve um servidor MCP adequado. Todo aplicativo popular parecia estar lançando um, e tínhamos um beta aqui e ali, mas ninguém dedicou tempo para terminá-lo.
Sabíamos que precisávamos de um. Com AmICited era óbvio, porque as pessoas querem perguntar a um agente “como minha marca está sendo citada na busca de IA esta semana” sem abrir um painel. AI Studio, nosso construtor visual de fluxos, também precisava de um. Apenas víamos como uma caixa de seleção: algo que os usuários esperavam, vale a pena ter, nada especial. E tínhamos certeza de que não tinha nada a oferecer para nós como desenvolvedores. Seria mais uma superfície de API para manter.
O oposto se mostrou verdadeiro. O servidor MCP se tornou uma das coisas mais úteis que construímos em 2026, e as pessoas que mais o ajudaram foram nós.
Pronto para expandir seu negócio?
Comece seu teste gratuito hoje e veja resultados em dias.
Como construir um servidor MCP para um aplicativo existente
Se você já tem um aplicativo, você já tem a maior parte de um servidor MCP. As funções e rotas de API existem. O que resta é principalmente decisões, e um agente de codificação torna essas decisões rápidas. Para o código em si (instalar o SDK, definir uma ferramenta, executar o servidor), veja nosso guia de desenvolvimento de servidor MCP .
Transforme suas rotas de API em ferramentas MCP
- Peça ao seu agente para listar todas as funções e rotas de API que o aplicativo tem.
- Decida quais delas um agente deve ser capaz de usar. Para nós foi quase tudo que um usuário pode fazer no painel.
- Peça ao agente para encapsular cada uma como uma ferramenta: um nome, uma descrição escrita nas palavras que um usuário procuraria, e uma chamada para o endpoint existente.
- Faça o trabalho de segurança.
- Envie o servidor para os diretórios de conectores do Anthropic e outros provedores de IA, para que as pessoas possam encontrá-lo onde já procuram.
Nossas ferramentas MCP são invólucros finos. Cada uma chama um endpoint existente e retorna sua resposta existente, para que o agente possa listar fluxos, ler a tela de um fluxo, editá-lo, executá-lo e ler o resultado. Permissões e verificações de crédito vivem abaixo desse invólucro, então o agente recebe exatamente os direitos que o usuário tem no painel.
Segure o servidor MCP
O trabalho de segurança exigiu o maior pensamento, e ainda foi uma questão de sessões focadas com Claude, não semanas. Nessas sessões nós:
- movemos o login para OAuth, com concessões que o usuário pode ver e revogar do painel
- vinculamos cada conexão a um workspace, então nenhuma ferramenta recebe um id de workspace que um agente pode alterar
- limitamos tamanhos de importação e concorrência
- marcamos cada ferramenta que escreve dados e sinalizamos exclusões e qualquer coisa que gasta dinheiro como destrutiva
Nada disso é exótico. É a mesma checklist que você executaria em qualquer API pública. Claude foi bom em encontrar os lugares onde perdemos uma. Nosso checklist de segurança MCP e o post sobre autenticação MCP com OAuth vão mais fundo.
Como os testes de servidor MCP são diferentes dos testes unitários?
Esta é a parte que não vi chegando.
Quando agentes escrevem código para você, eles principalmente testam o código. Eles executam os testes unitários. Às vezes fazem uma passagem de verificação ou clicam através da interface do web em um navegador. Tudo isso verifica que o código faz o que o código diz. Nada disso verifica se uma pessoa ou um agente realmente consegue realizar seu trabalho com o produto.
Um servidor MCP muda isso. O agente conectado a ele não consegue ver a fonte. Ele vê apenas as ferramentas, suas descrições e as respostas que elas retornam. Essa é a mesma posição que um usuário real ocupa, então quando o agente usa o servidor MCP está testando o aplicativo.
O que os agentes encontraram antes do lançamento
Nosso teste de caixa preta antes do lançamento fez exatamente isso. Demos aos agentes tarefas e deixamos que usassem o AI Studio através do servidor MCP em nosso ambiente de teste interno, e eles encontraram problemas que nenhum teste unitário tinha pego:
- Uma execução concluída relatava um custo de zero, mesmo que tivesse gasto créditos.
- Ações em massa diziam “sucesso” para ids que não existiam.
- Um lote de 11 linhas relatava 16 linhas concluídas, porque as etapas repetidas contavam linhas concluídas uma segunda vez.
- Uma execução interrompida parecia ainda estar em execução, e permanecia assim para sempre.
- Alterar a resposta de uma FAQ não atualizava suas perguntas alternativas.
- Ferramentas aceitavam configurações que o produto não conseguia usar, como um nome de modelo que não está no catálogo, e as salvavam sem reclamação.
Nenhuma delas alcançou nossos usuários. Testes internos as encontraram, e as corrigimos antes do servidor ser lançado. Testes unitários tinham deixado passar cada uma delas, e uma pessoa clicando através da interface facilmente poderia perdê-las também, atualizando a página ou encolhendo os ombros a um número estranho. Um agente não. Ele leva a resposta pelo valor de face e faz a coisa errada em seguida, o que mostra exatamente onde a resposta estava errada.
Junte-se à nossa newsletter
Receba gratuitamente as últimas dicas, tendências e ofertas.
Quais lacunas de design de ferramenta os agentes expuseram?
O segundo tipo de descoberta foi mais interessante. Não eram bugs. Eram lacunas entre como projetamos uma ferramenta e como um agente realmente tentou usá-la.
Nomes de argumentos que um agente adivinha
Em um teste, seis agentes cada um construiu um fluxo sobre o servidor MCP. Todos os seis falharam na primeira chamada para procurar um componente, porque adivinharam que o argumento era chamado type e o chamamos de component_type. Um agente gastou cerca de dez chamadas procurando por Google search, porque nossa busca classificou uma etapa “Search Received Orders” de uma integração ERP acima de “Google Search Retriever” quando você digitava “search”.
Você nunca pegaria isso em uma revisão de código, porque o código estava correto. A ferramenta fez o que disse. Apenas não correspondia ao que qualquer pessoa razoavelmente tentaria primeiro. Então renomeamos os argumentos para os nomes que os resultados da busca retornam, e classificamos os resultados da busca por quão bem correspondem. Os agentes pararam de tropeçar.
Manuais testados da mesma forma
Também escrevemos pequenos manuais, servidos através do servidor MCP como habilidades, que dizem ao agente como construir um bom fluxo: verificar a biblioteca primeiro, testar o rascunho antes de publicar, manter os guardrails fora da resposta final. Depois testamos os manuais da mesma forma. Agentes frescos reconstruíram as mesmas tarefas com apenas o manual para ler, e um modelo separado julgou os resultados sem saber qual era qual. Com o manual final, os construtores terminaram em aproximadamente um terço do tempo que levaram com o rascunho. As execuções também expuseram lacunas no próprio manual, como o fato de que a busca não tem filtro de data a menos que você coloque after:YYYY-MM-DD na consulta. Isso voltou para o texto.
Esse é um loop de feedback que nunca tivemos antes. O agente usa o aplicativo, fica preso em algum lugar específico, e corrigimos esse ponto.
Como um servidor MCP muda a revisão de pull request
Revisar um pull request é diferente agora. Antes, verificar uma mudança significava ler o diff, executar os testes e talvez clicar através da interface. Agora o cenário de teste é uma frase: “conectar ao servidor MCP, construir um fluxo que faz X, executá-lo, verificar o custo.” O agente dirige o aplicativo real, e o resultado é algo que você pode colar no pull request como evidência.
Os cenários ficaram mais claros porque são escritos como tarefas de usuário, não como funções de teste. Eles também custam menos tokens. Conduzir um aplicativo através de ferramentas MCP é muito mais barato do que fazer um agente ler capturas de tela e procurar botões em um navegador. E eles encontram as lacunas entre recursos, que é onde a maioria de nossos problemas reais estava se escondendo.
O que um servidor MCP muda para seus usuários
FlowHunt é um aplicativo grande. Apenas o AI Studio tem fluxos, agentes, chatbots, bases de conhecimento, agendamentos, lotes, integrações e mais de mil componentes. AmICited tem sua própria longa lista de relatórios. Muitas pessoas acham difícil começar. Até pessoas que começam perdem recursos ou os encontram por acaso meses depois.
Com o servidor MCP, isso importa muito menos. Você diz ao seu agente o que quer, e o agente encontra a ferramenta que faz. Lê a descrição, sabe qual recurso se encaixa, e a usa. Além de copiar a URL de conexão, você não precisa abrir o painel. As pessoas acabam usando mais do que o produto pode fazer, e acho que valorizam mais, porque realmente veem tudo.
Como conectar os servidores MCP do FlowHunt e AmICited
Ambos os servidores estão ativos, e gostaria que todos os tentassem: empresas, agências, equipes de marketing, fundadores que fazem seu próprio SEO. Você conecta o agente que já usa, faz login, escolhe um workspace e começa a perguntar.
Servidor MCP do AmICited para SEO, GEO e AEO
AmICited rastreia como os mecanismos de busca de IA citam sua marca, e conecta Search Console, GA4, auditorias de site, backlinks, concorrentes, plataformas de anúncios e modelos de mix de marketing. Através do MCP, seu agente pode usar tudo isso. O servidor também envia 29 manuais que o agente pode ler, escritos a partir da forma como realizamos essas análises: triagem de queda de tráfego, auditoria de visibilidade de IA, análise de lacuna competitiva, limpeza de canibalização, revisão de desperdício pago, “nossa mudança funcionou”, e muito mais. Você faz uma pergunta em palavras simples e o agente segue o manual que se encaixa:
- “Por que o tráfego orgânico caiu na semana passada?”
- “Quais prompts citam meus concorrentes mas não a mim, e que conteúdo corrigiria isso?”
- “Quais campanhas de anúncios gastam dinheiro sem converter?”
- “Auditar o site e me contar os cinco consertos que valem a pena fazer primeiro.”
Você não precisa saber qual relatório tem a resposta. O agente sabe.
Servidor MCP do FlowHunt AI Studio para automação de fluxo de trabalho
Esta parte me surpreendeu mais. A FlowHunt Agents Library tem 264 fluxos publicados que construímos e refinamos ao longo dos anos, e clientes contratam alguns deles todos os dias. Destilamos o que torna esses fluxos funcionarem em um manual que o servidor MCP entrega ao seu agente, ponderado em direção aos 28 fluxos que clientes contratam mais. Então quando você pede ao seu agente para automatizar algo, ele não começa a partir de uma tela em branco. Verifica a biblioteca em busca de um modelo próximo, lê como esse fluxo é construído (as ferramentas, o prompt, o formato de saída, os guardrails), aplica o padrão à sua tarefa, testa um rascunho e então o publica.
Na prática, você descreve o trabalho e obtém um fluxo funcionando que usa anos de nosso conhecimento:
- “Todas as manhãs, resuma as notícias sobre nossos concorrentes e envie para Slack.”
- “Leia novos tickets de suporte, responda aos que a base de conhecimento cobre e marque o resto.”
- “Construa um chatbot para nossa página de preços que responda a partir de nossa documentação.”
Você pode construir fluxos complexos desta forma: agentes que chamam outros agentes, roteadores, execuções agendadas, lotes em uma planilha. Esse tipo de fluxo leva um tempo para aprender no editor visual. Seu agente chega lá em minutos, e você ainda pode abrir a tela depois para ver o que construiu.
Conectar em Claude Code, Claude ou ChatGPT
Conectar leva um minuto. Adicione o servidor a qualquer cliente MCP que suporte servidores remotos. Em Claude Code, execute:
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
Em Claude e ChatGPT, adicione a mesma URL como um conector personalizado. Seu cliente abre uma página de login, você escolhe o workspace, e o agente vê apenas aquele workspace. Você pode ver e revogar clientes conectados do painel a qualquer momento. A documentação de conexão tem as etapas para cada cliente.
Planos e preços
Você pode conectar um agente no teste de 7 dias e nos planos Pro, Agency e Enterprise planos . Starter não inclui acesso MCP. No AI Studio, as próprias chamadas MCP são gratuitas, até um limite por hora que depende do seu plano: 120 chamadas no teste, 600 no Pro, 2.000 no Agency e sem limite no Enterprise. Qualquer coisa que gasta créditos no painel, como executar um fluxo, gasta os mesmos créditos através do MCP. No AmICited, cada solicitação MCP custa 0,001 crédito, então mil solicitações custam um crédito.
Próximos passos: construa um servidor MCP e experimente o nosso
Se você possui um aplicativo, construa o servidor MCP. Faça isso mesmo que pense que é apenas um recurso para usuários e não fará nada para seus desenvolvedores. Pensamos assim também, e estávamos errados. É um cliente de teste que usa seu produto como um estranho faria, e relata cada nome de argumento confuso, cada número errado e cada “sucesso” que não foi um. Se você já tem uma API, construir é rápido, e o trabalho de segurança é algumas sessões focadas, não um projeto.
Se você trabalha em marketing, SEO ou operações, conecte seu agente ao FlowHunt e AmICited e dê a ele uma tarefa real de sua semana. Você encontrará recursos que não sabia que tínhamos, e não precisará aprender o painel para usá-los.
Servidores MCP não são apenas para seus usuários. Eles são uma das melhores ferramentas que seus desenvolvedores podem ter. E para seus usuários, eles são a forma mais rápida de obter o máximo do seu produto.
