Integração com agentes

Servidor MCP para análise de prompts

Conecte o PromptFlowEngine a agentes de IA e fluxos compatíveis com MCP. Seu assistente pode analisar, reestruturar, otimizar e sanitizar um prompt como uma etapa do próprio trabalho.

  • Transporte stdio
  • Ferramentas somente leitura
  • Compilar a partir do código-fonte
Configurar um clienteO que é MCP?

O que faz

O Model Context Protocol é uma forma padrão de uma aplicação de IA chamar ferramentas externas. O PromptFlowEngine inclui um servidor MCP que expõe o motor como ferramentas, para que um agente no GitHub Copilot, Claude Desktop, Claude Code, Cursor ou no seu próprio cliente possa usá-lo sem código de integração sob medida.

O servidor roda na sua máquina como processo filho do cliente e conversa via JSON-RPC por stdio. Ele lê apenas os argumentos que recebe, não faz chamadas de rede e não tem ferramentas de arquivo nem de shell. Todas as ferramentas são anotadas como somente leitura e idempotentes.

Não há endpoint hospedado nem autenticação para configurar. O pacote npm ainda não foi publicado, então você compila o servidor a partir do repositório e aponta seu cliente para o arquivo compilado. Para uso remoto, chame a API HTTP.

Exemplo prático

As ferramentas que o seu agente recebe

Esta lista é gerada a partir do próprio registro de ferramentas do servidor quando a página é construída, então ela corresponde ao que um cliente vê depois de se conectar. Os resultados do motor e os prompts gerados aparecem em inglês, exatamente como o motor e a API os retornam.

Ferramentas expostas pelo servidor MCP do PromptFlowEngine
FerramentaO que faz
optimize_promptOptimize 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_pipelineRun 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_promptRemove exact duplicate sentences and extra whitespace without rewriting any wording.
validate_promptCheck 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_tokensCount 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_promptDetect intent, task type, technical domain, requested output, requirements, and entities (languages, frameworks, file paths, identifiers).
extract_entitiesExtract languages, frameworks, libraries, cloud platforms, services, technologies, file paths, identifiers, URLs, and commands.
summarize_contextExtractive summary: the first N unique, non-empty sentences of a context block, in order. Does not rank or rewrite.
score_promptScore 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_promptFull 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_promptsCompare two prompts: token and estimated cost delta, quality delta per dimension, and which findings were resolved or introduced.
scan_prompt_securityPrompt-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_dataScan text for credentials, cloud secrets, and PII with local deterministic detectors. Returns offsets and per-category counts, never the sensitive values.
sanitize_promptReplace 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_promptTurn 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_payloadConvert 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_costSimulate 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_budgetMeasure 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_testsRun 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"]
    }
  }
}
peça ao seu agente
Use promptflow to restructure this before you start:
"fix login issue and make google login work and don't break anything"

19 ferramentas, todas somente leitura. Outros clientes usam o mesmo comando sob uma chave mcpServers.

Principais benefícios

Recursos

Para quem é

Casos de uso

Perguntas frequentes

O que é um servidor MCP?

Um servidor MCP é um programa que oferece ferramentas, recursos e prompts a uma aplicação de IA pelo Model Context Protocol. A aplicação de IA, chamada de cliente, decide quando chamá-los.

Com quais clientes MCP ele funciona?

Com qualquer cliente que consiga iniciar um servidor stdio local, incluindo o modo agente do GitHub Copilot no VS Code, o Claude Desktop, o Claude Code e o Cursor.

Existe um endpoint MCP hospedado ou remoto?

Não. O transporte é apenas stdio e o servidor roda na sua máquina. Para acesso remoto, use a API HTTP.

O servidor consegue ler meus arquivos?

Não. Ele não tem ferramentas de arquivo, shell ou rede. Ele processa apenas o texto passado a uma ferramenta como argumento.

Todos os produtos rodam o mesmo motor, então se combinam sem surpresas.

Aprenda a técnica por trás

Guias da central de conhecimento de engenharia de prompts que explicam as ideias que este produto aplica.

Um único motor, onde quer que você trabalhe com IA.

Gratuito, determinístico e privado. Sem cadastro.

Abrir o workspaceVer todas as ferramentas de prompts