Intégration aux agents

Serveur MCP pour l’analyse de prompts

Connectez PromptFlowEngine aux agents d’IA et aux flux compatibles MCP. Votre assistant peut analyser, restructurer, optimiser et nettoyer un prompt comme une étape de son propre travail.

Transport stdio
Outils en lecture seule
À compiler depuis les sources

Configurer un client Qu’est-ce que MCP ?

Ce qu’il fait

Le Model Context Protocol est une façon standard pour une application d’IA d’appeler des outils externes. PromptFlowEngine fournit un serveur MCP qui expose le moteur sous forme d’outils : un agent dans GitHub Copilot, Claude Desktop, Claude Code, Cursor ou votre propre client peut l’utiliser sans code d’intégration sur mesure.

Le serveur s’exécute sur votre machine comme processus enfant du client et communique en JSON-RPC sur stdio. Il ne lit que les arguments qu’on lui transmet, ne fait aucun appel réseau et n’a aucun outil de fichiers ni de shell. Chaque outil est annoté en lecture seule et idempotent.

Il n’y a ni point d’accès hébergé ni authentification à configurer. Le paquet npm n’est pas encore publié : vous compilez donc le serveur depuis le dépôt et faites pointer votre client vers le fichier compilé. Pour un usage à distance, appelez l’API HTTP.

Exemple concret

Les outils que reçoit votre agent

Cette liste est générée à partir du registre d’outils du serveur lors de la construction de la page : elle correspond donc à ce que voit un client après connexion. Les constats du moteur et les prompts générés sont affichés en anglais, tels que le moteur et l’API les renvoient.

Outils exposés par le serveur MCP de PromptFlowEngine
Outil	Ce qu’il fait
`optimize_prompt`	Optimize a prompt with deterministic, verified transforms (duplicates, filler, optional sections). Every candidate is checked to preserve all sentences, requirements, code, and variables; the original is kept if nothing is better. Returns the selected prompt, token savings, quality score, and what changed.
`optimize_prompt_pipeline`	Run the optimization pipeline and return per-stage results plus token and estimated cost metrics, in the result shape used by the PromptFlow VS Code extension.
`compress_prompt`	Remove exact duplicate sentences and extra whitespace without rewriting any wording.
`validate_prompt`	Check a prompt for missing objective or output format, ambiguity, conflicting instructions, duplicates, prompt-injection patterns, secrets, and undelimited variables. isValid is false only when a critical issue exists.
`estimate_tokens`	Count tokens and estimate input cost for a model. "exact" is true only for OpenAI models with a loaded tokenizer; other providers are approximate. Costs are estimates from a reference price table.
`analyze_prompt`	Detect intent, task type, technical domain, requested output, requirements, and entities (languages, frameworks, file paths, identifiers).
`extract_entities`	Extract languages, frameworks, libraries, cloud platforms, services, technologies, file paths, identifiers, URLs, and commands.
`summarize_context`	Extractive summary: the first N unique, non-empty sentences of a context block, in order. Does not rank or rewrite.
`score_prompt`	Score prompt quality 0-100: 100 minus a penalty per issue (critical 30, warning 10, info 3; capped at 50 with any critical issue), with per-dimension scores and suggestions.
`evaluate_prompt`	Full quality report: overall score, grade, eight quality dimensions with the checks that failed, and every finding with why it matters and how to fix it.
`compare_prompts`	Compare two prompts: token and estimated cost delta, quality delta per dimension, and which findings were resolved or introduced.
`scan_prompt_security`	Prompt-injection risk (0-100, signature-based, with threat ids), sensitive-data counts by category, undelimited template variables, and destructive operations. Never returns detected secret values.
`scan_sensitive_data`	Scan text for credentials, cloud secrets, and PII with local deterministic detectors. Returns offsets and per-category counts, never the sensitive values.
`sanitize_prompt`	Replace detected sensitive data with placeholders such as [REDACTED_API_KEY]. Returns the sanitized text and counts, never the original values. Use before sending a prompt to an external model.
`restructure_prompt`	Turn a loosely written request into a sectioned engineering prompt: Role, Objective, Context, Requirements, Constraints, Edge cases, Testing, Acceptance criteria, Expected output. Only sections with content appear. The author's clauses are kept and reordered; for software tasks, fixed engineering guidance chosen by intent and topic is added, and every line is labeled "prompt" or "engine" so additions can be reviewed. Set scaffold=false to reorganize without adding guidance.
`convert_structured_payload`	Convert a JSON payload to TOON (Token-Oriented Object Notation) and say whether to use it. Returns token counts for pretty JSON, compact JSON and TOON, a round-trip check (the TOON must decode back to the same value), and the recommendation: "toon" only when it round-trips and saves at least 5 % over compact JSON, otherwise "json". Lossless or it keeps JSON.
`simulate_cost`	Simulate what a prompt costs across models at a request volume, from catalog list prices (labelled simulated, never a bill). Optionally optimizes the prompt first and reports hypothetical savings. Flags models whose context window is too small.
`analyze_context_budget`	Measure the context sources you intend to send with a prompt: tokens and share per source, context-window usage with an output reserve, sensitive data (categories and counts only), instruction-like text in retrieved sources, and duplicates. Reads only the text passed in; never reads files.
`run_prompt_tests`	Run a regression suite against a prompt. Assertions check the prompt (contains, not_contains, matches, max_tokens, min_quality, no_finding, max_severity, has_variables, max_injection_risk, no_sensitive_data, output_format) and, when a case carries a recorded model response, the response (response_valid_json, response_has_keys, response_contains, response_max_chars). With baseline_prompt, also runs the suite on the baseline and lists cases that regressed. No model is called.

.vscode/mcp.json

{
  "servers": {
    "promptflow": {
      "type": "stdio",
      "command": "node",
      "args": ["/absolute/path/to/checkout/packages/mcp-server/dist/bin.js"]
    }
  }
}

demandez à votre agent

Use promptflow to restructure this before you start:
"fix login issue and make google login work and don't break anything"

19 outils, tous en lecture seule. Les autres clients utilisent la même commande sous une clé mcpServers.

Principaux avantages

Une configuration, de nombreux clients
La même entrée de serveur fonctionne dans tout client prenant en charge les serveurs MCP stdio.
Sans danger pour un agent
Aucun accès aux fichiers, au shell ou au réseau : un agent victime d’une injection de prompt ne peut s’en servir pour atteindre quoi que ce soit.
Résultats déterministes
Un agent qui appelle deux fois un outil avec les mêmes arguments obtient la même réponse.
Des erreurs exploitables par l’agent
Des arguments incorrects renvoient une erreur d’outil avec la raison, pour que l’agent corrige et réessaie.

Fonctionnalités

Outils de prompts
Analyser, valider, optimiser, restructurer, comparer, estimer les tokens, scanner et nettoyer.
Ressources
Le catalogue de règles et le catalogue de modèles sont lisibles comme ressources MCP.
Un prompt de revue
Un prompt MCP intégré demande à l’assistant d’évaluer et d’optimiser un prompt transmis comme donnée.
Limites de taille
Un plafond configurable du nombre de caractères acceptés par argument.
Journalisation sans contenu
Les journaux de débogage enregistrent le nom de l’outil, la taille de l’entrée, le résultat et la durée, jamais le texte.
Intégré à VS Code
L’extension VS Code enregistre le serveur pour vous dès l’activation.

Pour qui

Développeurs qui utilisent des agents de codeFaites restructurer par l’agent une tâche vague en spécification avant qu’il ne commence à modifier des fichiers.
Personnes qui conçoivent des agentsDonnez à un agent un moyen déterministe de vérifier et de nettoyer les prompts qu’il écrit pour des sous-agents ou d’autres modèles.
Équipes qui se standardisent sur MCPAjoutez qualité des prompts et détection de secrets à tous vos clients MCP avec une seule entrée de serveur.

Cas d’usage

01
Spécifier avant de coder
Demandez à l’agent de restructurer d’abord la tâche avec promptflow, puis d’implémenter en fonction des critères d’acceptation.
02
Nettoyer avant de déléguer
Faites nettoyer le contexte par un agent orchestrateur avant de le transmettre à un autre modèle ou outil.
03
Vérifier les prompts générés
Quand un agent écrit un prompt pour une sous-tâche, validez-le et corrigez automatiquement les constats critiques.
04
Budgéter les tokens
Laissez l’agent estimer les tokens d’un brouillon avant de décider combien de contexte inclure.

Questions fréquentes

Qu’est-ce qu’un serveur MCP ?

Un serveur MCP est un programme qui propose des outils, des ressources et des prompts à une application d’IA via le Model Context Protocol. L’application d’IA, appelée client, décide quand les appeler.

Avec quels clients MCP fonctionne-t-il ?

Avec tout client capable de lancer un serveur stdio local, notamment le mode agent de GitHub Copilot dans VS Code, Claude Desktop, Claude Code et Cursor.

Existe-t-il un point d’accès MCP hébergé ou distant ?

Non. Le transport est uniquement stdio et le serveur s’exécute sur votre machine. Pour un accès à distance, utilisez l’API HTTP.

Le serveur peut-il lire mes fichiers ?

Non. Il n’a aucun outil de fichiers, de shell ou de réseau. Il ne traite que le texte transmis à un outil en argument.

Tous les produits utilisent le même moteur : ils se combinent sans surprise.

La technique qui se cache derrière

Des guides du centre de connaissances sur l’ingénierie de prompts qui expliquent les idées appliquées par ce produit.

Un seul moteur, partout où vous travaillez avec l’IA.

Gratuit, déterministe et confidentiel. Sans inscription.

Ouvrir l’espace de travail Voir tous les outils de prompts IA

Ce qu’il fait

Les outils que reçoit votre agent

Principaux avantages

Une configuration, de nombreux clients

Sans danger pour un agent

Résultats déterministes

Des erreurs exploitables par l’agent

Fonctionnalités

Outils de prompts

Ressources

Un prompt de revue

Limites de taille

Journalisation sans contenu

Intégré à VS Code

Pour qui

Cas d’usage

Spécifier avant de coder

Nettoyer avant de déléguer

Vérifier les prompts générés

Budgéter les tokens