Chúng tôi biết FlowHunt cần một MCP server, và chúng tôi không nghĩ nó sẽ giúp chúng tôi nhiều. Nó đã giúp chúng tôi nhiều nhất.
Những điểm chính
- Chúng tôi luôn biết FlowHunt cần một MCP server. Chúng tôi xem nó như một tính năng mà người dùng mong đợi, và chúng tôi chắc chắn nó sẽ không giúp ích gì cho chúng tôi với tư cách là các nhà phát triển. Hóa ra điều đó là sai.
- Một agent kết nối với MCP server không thể nhìn thấy mã. Nó chỉ nhìn thấy các tools và câu trả lời của chúng, vì vậy nó kiểm tra ứng dụng theo cách mà một người dùng sẽ làm. Trong bài kiểm tra của chúng tôi trước khi ra mắt, nó đã tìm thấy các runs báo cáo chi phí bằng 0, các hành động hàng loạt nói “thành công” cho các id không tồn tại, và một loạt 11 hàng báo cáo 16 hoàn thành. Chúng tôi đã sửa tất cả chúng trước khi server ra mắt.
- Nó cũng cho chúng tôi thấy nơi thiết kế của chúng tôi không phù hợp với cách agent suy nghĩ. Sáu agents xây dựng flows đều thất bại trong lệnh gọi đầu tiên của họ vì một tên đối số.
- Xây dựng nó với một agent lập trình khá nhanh, vì API của chúng tôi đã tồn tại. Hầu hết công việc là chọn những gì để phơi bày và làm cho nó an toàn.
- Cả hai servers đều hoạt động: AmICited cho SEO, GEO và AEO, và AI Studio cho tự động hóa, nơi agent của bạn xây dựng flows từ kiến thức trong Agents Library của chúng tôi. Các bước kết nối được ở phần cuối.
Tại sao xây dựng một MCP server nếu ứng dụng của bạn đã có API?
Một MCP server phơi bày ứng dụng của bạn cho các AI agents qua Model Context Protocol , tiêu chuẩn mở cho phép một MCP client như Claude, ChatGPT hoặc Cursor khám phá các tools của bạn và gọi chúng. Nếu bạn là người mới bắt đầu, hướng dẫn của chúng tôi về MCP server là gì bao gồm những kiến thức cơ bản.
Trong một thời gian dài, FlowHunt không có một MCP server thích hợp. Mọi ứng dụng phổ biến dường như đang xuất một cái, và chúng tôi có một beta ở đây và ở đó, nhưng không ai thời gian để hoàn thành nó.
Chúng tôi biết chúng tôi cần một cái. Với AmICited, nó rõ ràng, bởi vì mọi người muốn yêu cầu một agent “thương hiệu của tôi được trích dẫn như thế nào trong tìm kiếm AI tuần này” mà không mở một dashboard. AI Studio, bộ tạo visual flow của chúng tôi, cũng cần một cái. Chúng tôi chỉ xem nó như một hộp kiểm: điều gì đó mà người dùng mong đợi, đáng có, không gì đặc biệt. Và chúng tôi chắc chắn nó không có gì để cung cấp cho chúng tôi với tư cách là các nhà phát triển. Nó sẽ là một bề mặt API khác để duy trì.
Điều ngược lại hóa ra là sự thật. MCP server trở thành một trong những điều hữu ích nhất mà chúng tôi xây dựng vào năm 2026, và những người nó giúp nhất là chúng tôi.
Sẵn sàng phát triển doanh nghiệp của bạn?
Bắt đầu dùng thử miễn phí ngay hôm nay và xem kết quả trong vài ngày.
Cách xây dựng một MCP server cho một ứng dụng hiện có
Nếu bạn đã có một ứng dụng, bạn đã có phần lớn một MCP server. Các hàm và tuyến đường API tồn tại. Những gì còn lại chủ yếu là quyết định, và một agent lập trình làm điều đó nhanh chóng. Đối với mã chính nó (cài đặt SDK, xác định một tool, chạy server), xem hướng dẫn phát triển MCP server của chúng tôi.
Chuyển đổi các tuyến đường API của bạn thành các tools MCP
- Yêu cầu agent của bạn liệt kê mọi hàm và tuyến đường API mà ứng dụng có.
- Quyết định tools nào mà agent nên có thể sử dụng. Đối với chúng tôi, đó là gần như mọi thứ một người dùng có thể làm trong dashboard.
- Yêu cầu agent gói mỗi cái như một tool: một tên, một mô tả được viết bằng các từ mà một người dùng sẽ tìm kiếm, và một lệnh gọi đến điểm cuối hiện có.
- Thực hiện công việc bảo mật.
- Gửi server đến các thư mục kết nối của Anthropic và các nhà cung cấp AI khác, để mọi người có thể tìm thấy nó nơi họ đã tìm kiếm.
Các tools MCP của chúng tôi là các wrapper mỏng. Mỗi cái gọi một điểm cuối hiện có và trả về phản hồi hiện có của nó, vì vậy agent có thể liệt kê flows, đọc canvas của một flow, chỉnh sửa nó, chạy nó và đọc kết quả. Quyền và kiểm tra credit sống dưới wrapper đó, vì vậy agent nhận được chính xác các quyền mà người dùng có trong dashboard.
Bảo mật MCP server
Công việc bảo mật mất thời gian suy nghĩ nhất, và nó vẫn là vấn đề của các phiên làm việc tập trung với Claude, không phải tuần. Trong những phiên đó, chúng tôi:
- chuyển đăng nhập sang OAuth, với các grants mà người dùng có thể xem và thu hồi từ dashboard
- gắn từng kết nối với một workspace, vì vậy không có tool nào lấy workspace id mà agent có thể thay đổi
- giới hạn kích thước nhập và đồng thời
- đánh dấu mọi tool ghi dữ liệu, và cờ xóa và bất kỳ điều gì tiêu tốn tiền như tàn phá
Không có gì trong đó là kỳ quặc. Nó giống với danh sách kiểm tra mà bạn sẽ chạy trên bất kỳ API công khai nào. Claude rất tốt trong việc tìm những nơi mà chúng tôi đã bỏ sót. Danh sách kiểm tra bảo mật MCP của chúng tôi và bài viết về xác thực MCP với OAuth đi sâu hơn.
Kiểm tra MCP server khác với bài kiểm tra đơn vị như thế nào?
Đây là phần mà tôi không thấy đến.
Khi agents viết mã cho bạn, họ chủ yếu kiểm tra mã. Họ chạy các bài kiểm tra đơn vị. Đôi khi họ làm một lần kiểm chứng, hoặc nhấp vào giao diện web trong trình duyệt. Tất cả điều đó kiểm tra xem mã có làm những gì mã nói không. Không có gì kiểm tra xem một người, hoặc một agent, có thể thực sự hoàn thành công việc của họ với sản phẩm hay không.
MCP server thay đổi điều đó. Agent kết nối với nó không thể nhìn thấy nguồn. Nó chỉ nhìn thấy các tools, mô tả của chúng và câu trả lời mà chúng trả về. Đó là vị trí tương tự mà một người dùng thực sự ở trong đó, vì vậy khi agent sử dụng MCP server, nó đang kiểm tra ứng dụng.
Những gì agents tìm thấy trước khi ra mắt
Bài kiểm tra hộp đen của chúng tôi trước khi ra mắt đã làm chính xác điều đó. Chúng tôi đã cung cấp cho agents các nhiệm vụ và để họ sử dụng AI Studio thông qua MCP server trên môi trường thử nghiệm nội bộ của chúng tôi, và họ tìm thấy các vấn đề mà không bài kiểm tra đơn vị nào đã bắt được:
- Một run hoàn thành báo cáo chi phí bằng 0, mặc dù nó đã tiêu tốn credits.
- Các hành động hàng loạt nói “thành công” cho các id không tồn tại.
- Một loạt 11 hàng báo cáo 16 hàng hoàn thành, vì các bước được phát lại đã đếm các hàng hoàn thành lần thứ hai.
- Một run bị dừng trông giống như nó vẫn đang chạy, và nó ở lại như thế mãi mãi.
- Thay đổi câu trả lời của FAQ không cập nhật các câu hỏi thay thế của nó.
- Các tools chấp nhận các cài đặt mà sản phẩm không thể sử dụng, chẳng hạn như một tên mô hình không có trong danh sách, và lưu chúng mà không có khiếu nại.
Không ai trong số này đến người dùng của chúng tôi. Bài kiểm tra nội bộ tìm thấy chúng, và chúng tôi đã sửa chúng trước khi server ra mắt. Bài kiểm tra đơn vị đã vượt qua mỗi cái trong số chúng, và một người nhấp qua giao diện người dùng có thể dễ dàng bỏ sót chúng, làm mới trang hoặc nhún vai trước một con số lẻ. Một agent không. Nó lấy câu trả lời theo mặt giá trị và làm điều sai tiếp theo, cho bạn thấy chính xác nơi câu trả lời bị sai.
Tham gia bản tin của chúng tôi
Nhận các mẹo, xu hướng và ưu đãi mới nhất miễn phí.
Khoảng cách thiết kế tool nào mà agents tiết lộ?
Loại phát hiện thứ hai đã thú vị hơn. Những cái này không phải là lỗi. Chúng là những khoảng cách giữa cách chúng tôi thiết kế một tool và cách một agent thực sự cố gắng sử dụng nó.
Tên đối số mà agent đoán
Trong một bài kiểm tra, sáu agents mỗi cái xây dựng một flow trên MCP server. Cả sáu đều thất bại trong lệnh gọi đầu tiên của họ để tìm kiếm một thành phần, vì họ đoán đối số được gọi là type và chúng tôi đã đặt tên nó là component_type. Một agent đã dành khoảng mười lệnh gọi tìm kiếm Google, bởi vì tìm kiếm của chúng tôi đã xếp hạng một bước “Search Received Orders” từ một tích hợp ERP trên “Google Search Retriever” khi bạn gõ “search”.
Bạn không bao giờ có thể bắt được điều đó trong bài xem xét mã, bởi vì mã là chính xác. Tool đã làm những gì nó nói. Nó chỉ không phù hợp với những gì bất kỳ ai sẽ hợp lý cố gắng trước tiên. Vì vậy, chúng tôi đã đổi tên các đối số thành các tên mà kết quả tìm kiếm trả về, và chúng tôi đã xếp hạng kết quả tìm kiếm theo mức độ tốt mà chúng phù hợp. Agents không còn vấp.
Playbooks được kiểm tra theo cách tương tự
Chúng tôi cũng đã viết các playbooks ngắn, được phục vụ thông qua MCP server như các skills, cho agent biết cách xây dựng một flow tốt: kiểm tra thư viện trước, kiểm tra bản nháp trước khi xuất bản, giữ các guardrails ra khỏi câu trả lời cuối cùng. Sau đó, chúng tôi đã kiểm tra các playbooks theo cách tương tự. Các agents tươi xây dựng lại các nhiệm vụ tương tự chỉ với playbook để đọc, và một mô hình riêng biệt đã đánh giá kết quả mà không biết cái nào. Với playbook cuối cùng, các builders hoàn thành trong khoảng một phần ba thời gian mà họ đã thực hiện với bản nháp. Các runs cũng phơi bày những khoảng cách trong playbook chính nó, chẳng hạn như thực tế là tìm kiếm không có bộ lọc ngày trừ khi bạn đặt after:YYYY-MM-DD vào truy vấn. Điều đó đã quay trở lại vào văn bản.
Đó là một vòng phản hồi mà chúng tôi không bao giờ có trước đó. Agent sử dụng ứng dụng, bị mắc kẹt ở một nơi cụ thể, và chúng tôi sửa nơi đó.
Làm thế nào MCP server thay đổi bài xem xét yêu cầu kéo
Bây giờ xem xét một yêu cầu kéo là khác nhau. Trước đó, xác minh một thay đổi có nghĩa là đọc diff, chạy các bài kiểm tra và có thể nhấp qua giao diện người dùng. Bây giờ kịch bản kiểm tra là một câu: “kết nối với MCP server, xây dựng một flow làm X, chạy nó, kiểm tra chi phí.” Agent lái ứng dụng thực, và kết quả là điều gì đó bạn có thể dán vào yêu cầu kéo như bằng chứng.
Các kịch bản trở nên rõ ràng hơn vì chúng được viết như các nhiệm vụ của người dùng, không phải như các hàm kiểm tra. Chúng cũng tiêu tốn ít tokens hơn. Lái một ứng dụng thông qua các tools MCP rẻ hơn nhiều so với việc có một agent đọc ảnh chụp màn hình và tìm kiếm các nút trong trình duyệt. Và họ tìm thấy những khoảng cách giữa các tính năng, đó là nơi hầu hết các vấn đề thực sự của chúng tôi ẩn giấu.
MCP server thay đổi gì cho người dùng của bạn
FlowHunt là một ứng dụng lớn. AI Studio một mình có flows, agents, chatbots, knowledge bases, schedules, batches, integrations và hơn một ngàn thành phần. AmICited có danh sách báo cáo dài của riêng nó. Rất nhiều người thấy khó bắt đầu. Thậm chí những người thực sự bắt đầu cũng bỏ lỡ các tính năng, hoặc tìm thấy chúng một cách tình cờ sau vài tháng.
Với MCP server, điều đó lại không quan trọng nhiều. Bạn nói cho agent biết bạn muốn gì, và agent tìm thấy tool làm việc đó. Nó đọc mô tả, biết tính năng nào phù hợp, và sử dụng nó. Ngoài việc sao chép URL kết nối, bạn không phải mở dashboard. Mọi người sẽ sử dụng nhiều hơn những gì sản phẩm có thể làm, và tôi nghĩ họ sẽ giá trị nó hơn, bởi vì họ thực sự thấy tất cả nó.
Cách kết nối các MCP servers của FlowHunt và AmICited
Cả hai servers đều hoạt động, và tôi muốn mọi người thử chúng: các công ty, agencys, các nhóm marketing, các nhà sáng lập làm SEO của riêng họ. Bạn kết nối agent mà bạn đã sử dụng, đăng nhập, chọn một workspace, và bắt đầu hỏi.
AmICited MCP server cho SEO, GEO và AEO
AmICited theo dõi cách các search engines AI trích dẫn thương hiệu của bạn, và nó kết nối Search Console, GA4, site audits, backlinks, competitors, ad platforms và marketing mix models. Thông qua MCP, agent của bạn có thể sử dụng tất cả nó. Server cũng vận chuyển 29 playbooks mà agent có thể đọc, được viết từ cách chúng tôi chạy các phân tích này: traffic drop triage, AI visibility audit, competitor gap analysis, cannibalization cleanup, paid waste review, “did our change work”, và hơn thế nữa. Bạn hỏi một câu hỏi bằng các từ đơn giản và agent tuân theo playbook phù hợp:
- “Tại sao lưu lượng hữu cơ bị rơi tuần trước?”
- “Những prompt nào trích dẫn các competitors của tôi nhưng không phải chúng tôi, và nội dung nào sẽ khắc phục điều đó?”
- “Những chiến dịch quảng cáo nào tiêu tốn tiền mà không chuyển đổi?”
- “Kiểm tra trang web và cho tôi biết năm sửa chữa đáng làm đầu tiên.”
Bạn không cần phải biết báo cáo nào có câu trả lời. Agent biết.
FlowHunt AI Studio MCP server cho tự động hóa quy trình công việc
Phần này đã làm tôi ngạc nhiên nhất. FlowHunt Agents Library có 264 published flows mà chúng tôi đã xây dựng và tinh chỉnh trong nhiều năm, và khách hàng thuê một số trong số chúng mỗi ngày. Chúng tôi đã cô đặc những gì làm cho những flows đó hoạt động thành một playbook mà MCP server trao cho agent của bạn, có trọng lượng hướng đến 28 flows mà khách hàng thuê nhiều nhất. Vì vậy, khi bạn yêu cầu agent tự động hóa một cái gì đó, nó không bắt đầu từ một canvas trống. Nó kiểm tra thư viện để tìm một template gần gũi, đọc cách flow đó được xây dựng (các tools, prompt, định dạng đầu ra, guardrails), áp dụng mô hình cho nhiệm vụ của bạn, kiểm tra một bản nháp, và chỉ sau đó xuất bản nó.
Trong thực tế, bạn mô tả công việc và nhận được một flow hoạt động sử dụng nhiều năm kiến thức của chúng tôi:
- “Mỗi sáng, tóm tắt tin tức về các competitors của chúng tôi và gửi nó tới Slack.”
- “Đọc các support tickets mới, trả lời những cái mà knowledge base bao gồm, và tag phần còn lại.”
- “Xây dựng một chatbot cho trang pricing của chúng tôi mà trả lời từ docs của chúng tôi.”
Bạn có thể xây dựng các flows phức tạp theo cách này: agents gọi các agents khác, routers, scheduled runs, batches trên một spreadsheet. Loại flow đó mất một thời gian để học trong visual editor. Agent của bạn sẽ tới ở đó trong vài phút, và bạn vẫn có thể mở canvas sau đó để xem nó đã xây dựng cái gì.
Kết nối trong Claude Code, Claude hoặc ChatGPT
Kết nối mất một phút. Thêm server vào bất kỳ MCP client nào hỗ trợ các servers từ xa. Trong Claude Code, chạy:
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
Trong Claude và ChatGPT, thêm URL tương tự như một custom connector. Client của bạn mở một trang đăng nhập, bạn chọn workspace, và agent nhìn thấy chỉ workspace đó. Bạn có thể xem và thu hồi các clients đã kết nối từ dashboard bất cứ lúc nào. Tài liệu kết nối có các bước cho mỗi client.
Các gói và giá
Bạn có thể kết nối một agent trên bản dùng thử 7 ngày và trên Pro, Agency và Enterprise plans . Starter không bao gồm truy cập MCP. Trên AI Studio, các MCP calls chính nó miễn phí, lên đến một giới hạn hàng giờ phụ thuộc vào gói của bạn: 120 lệnh gọi trên bản dùng thử, 600 trên Pro, 2,000 trên Agency, và không có giới hạn trên Enterprise. Bất kỳ điều gì tiêu tốn credits trong dashboard, như chạy một flow, sẽ tiêu tốn cùng một credits thông qua MCP. Trên AmICited, mỗi yêu cầu MCP có giá 0.001 credit, vì vậy một nghìn yêu cầu có giá một credit.
Các bước tiếp theo: xây dựng một MCP server và thử của chúng tôi
Nếu bạn sở hữu một ứng dụng, hãy xây dựng MCP server. Làm điều đó ngay cả khi bạn nghĩ nó chỉ là một tính năng cho người dùng và sẽ không làm gì cho các nhà phát triển của bạn. Chúng tôi đã nghĩ điều đó, và chúng tôi là người sai. Nó là một test client sử dụng sản phẩm của bạn theo cách mà một người lạ sẽ, và nó báo cáo mọi tên đối số gây nhầm lẫn, mọi con số sai và mọi “thành công” không phải là. Nếu bạn đã có API, xây dựng nó nhanh chóng, và công việc bảo mật là một vài phiên làm việc tập trung, không phải một dự án.
Nếu bạn làm việc trong marketing, SEO hoặc operations, hãy kết nối agent của bạn với FlowHunt và AmICited và cung cấp cho nó một nhiệm vụ thực sự từ tuần của bạn. Bạn sẽ tìm thấy các tính năng mà bạn không biết chúng tôi có, và bạn sẽ không phải học dashboard để sử dụng chúng.
MCP servers không chỉ dành cho người dùng của bạn. Chúng là một trong những công cụ tốt nhất mà các nhà phát triển của bạn có thể có. Và đối với người dùng của bạn, chúng là cách nhanh nhất để tận dụng tối đa sản phẩm của bạn.
