WebAsk lançou um servidor MCP para pesquisas e descobriu que AI lê mais do que cria

A WebAsk conectou seu construtor de pesquisas e testes ao MCP para que Claude, Cursor e outros clientes LLM pudessem trabalhar com o serviço sem trocar de abas de navegador. Após o lançamento, a equipe descobriu que a demanda principal não veio da geração de novos questionários, mas da leitura, análise e exportação de respostas já coletadas.

Por que WebAsk Precisa de MCP

A equipe WebAsk descreve um cenário familiar: um usuário escreve um relatório ou analisa código em um LLM e depois precisa urgentemente fazer uma pesquisa para RH, uma conferência ou onboarding. Sem integração, isso significa uma nova aba, login no serviço, configuração manual do formulário e perda de contexto. Nesta situação, MCP se tornou para o produto não um complemento da moda, mas uma forma de manter o usuário em uma única conversa com o assistente e dar ao modelo acesso à infraestrutura já existente do serviço.

Ao mesmo tempo, WebAsk enfatiza: LLMs conseguem pensar rapidamente em perguntas, mas o questionário em si é apenas uma pequena parte do trabalho.

• publicação e hospedagem de pesquisa para milhares de respondentes
• coleta de respostas sem perdas e armazenamento de dados
• análises como NPS, segmentação e mapas de calor
• exportação de resultados para CSV, Excel, PDF e Word
• integrações com sistemas externos e webhooks

Como o Servidor Foi Construído

A equipe construiu o servidor MCP como uma camada Node.js fina entre clientes como Claude e Cursor e o backend principal da WebAsk. Por fora, é JSON-RPC 2.

0 com autorização via token Bearer; por dentro, é um roteador, esquemas de validação e um manipulador separado para cada ferramenta. A arquitetura se mostrou direta: uma solicitação chega com o nome da ferramenta, os parâmetros são validados contra o esquema, depois o servidor chama o método REST API correspondente e retorna a resposta ao modelo. O principal problema prático não foi no código, mas na compatibilidade dos clientes.

De acordo com a especificação, MCP pode trabalhar com tools, resources e prompts, mas no Claude Desktop a equipe viu suporte apenas para tools. Então WebAsk envolveu 19 recursos—como leitura de respostas, estrutura de pesquisa e resumos—em ferramentas wrapper separadas. Como resultado, o servidor cresceu para aproximadamente 60 ferramentas, divididas em grupos: ciclo de vida da pesquisa, conteúdo, formatação, análises, exportação e códigos promocionais.

Onde Foram os Obstáculos

A lição mais dolorosa diz respeito às descrições de ferramentas. Formulações breves economizavam tokens, mas o modelo frequentemente confundia ações semelhantes, substituía parâmetros incorretos e às vezes até escolhia a ferramenta errada. Após várias iterações, a equipe reescreveu as descrições com mais detalhes: com restrições, exemplos de parâmetros e cenários típicos. Isso aumentou o contexto, mas melhorou notavelmente a precisão em cadeias de chamadas complexas.

"Economizar em descrições é uma falsa economia."

Ao mesmo tempo, foi necessário reconsiderar limites de taxa e a própria abordagem de testes. Se uma pessoa se sai bem com 60 requisições por minuto, um agente facilmente faz 50–70 chamadas em alguns segundos, então WebAsk se estabeleceu em um limite de 180 requisições por minuto. E testes se tornaram uma execução manual de aproximadamente 20 cenários: o modelo poderia mudar a ordem das ações, adicionar uma tela de boas-vindas ou tema de formatação por conta própria e mostrar iniciativa excessiva.

Na prática, o caso mais comum não foi o construtor, mas análises: o Cursor lê centenas de respostas em texto, agrupa-as por tema e prepara um resumo para o relatório mais rápido do que uma pessoa consegue abrir o painel correto.

O Que Isso Significa

A história do WebAsk demonstra bem que MCP para SaaS não é mais um brinquedo para demos, mas uma nova interface no topo de um produto existente. Mas o vencedor não é aquele que simplesmente abriu acesso à API para LLMs, mas aquele que pensou cuidadosamente em descrições de ferramentas, restrições de clientes e fluxos de usuário reais onde IA economiza não cliques, mas horas de trabalho manual.