Skip to main content
Ein Experiment oder ein Feature Flag zu ändern bedeutet meist, vom Editor in die Kameleoon-App zu wechseln. Mit dem MCP-Server liest und ändert Ihr KI-Assistent Ihr Kameleoon-Projekt direkt dort, wo Sie Code schreiben.

Den Server dort einrichten, wo Sie entwickeln

Wählen Sie Ihren KI-Coding-Assistenten aus, um einen sofort einsatzbereiten Einrichtungs-Prompt zu erhalten.
Kai, der In-App-KI-Assistent von Kameleoon, enthält dieselben Tools nativ, ganz ohne separaten Verbindungsschritt. Verwenden Sie die Einrichtungs-Prompts für Ihren KI-Coding-Assistenten, wenn er in Ihrer IDE auf Ihr Kameleoon-Projekt zugreifen soll.
Wenn Sie diese Tools aus Claude oder ChatGPT im Chat (Web oder Desktop) statt in einer IDE nutzen möchten, lesen Sie Kameleoon mit Claude und ChatGPT verbinden.
Die Schritt-für-Schritt-Einrichtung für jeden Client finden Sie unter MCP-Clients einrichten.

Was Sie damit tun können

Nachdem Sie den Server verbunden haben, kann Ihr KI-Agent mit Kameleoon Folgendes tun:
  • Experimente, Feature Flags, Ziele, Segmente, Trigger und Targeting-Regeln finden und prüfen.
  • Experimente von Anfang bis Ende aufbauen: erstellen, duplizieren, Einstellungen und Traffic-Verteilung bearbeiten, Variationen mit eigenem Code hinzufügen und den gesamten Lebenszyklus steuern (starten, pausieren, fortsetzen, stoppen, löschen).
  • Feature Flags verwalten: erstellen, duplizieren, löschen, pro Umgebung ein- und ausschalten und den Änderungsverlauf prüfen.
  • Flag-Auslieferung konfigurieren: gezielte und Experimentierregeln, benutzerdefinierte Variationen und typisierte Variablen hinzufügen.
  • Ziele, Zielgruppensegmente und Trigger anlegen und pflegen sowie Segment und Trigger eines Experiments festlegen.
  • Ergebnisse von Experimenten und Feature-Flag-Experimenten auswerten und den rohen Variationscode (JavaScript und CSS) abrufen.
  • Den gesamten Implementierungsprozess automatisieren, von der gewinnenden Variation bis zum abgesicherten Rollout in die Produktion.

Tool-Referenz

Die Tools sind nach dem Bereich gruppiert, auf den sie sich beziehen. Jede Seite listet die Tools ihres Bereichs mit Parametern und Beispiel-Prompts auf. Jedes Tool entspricht einer einzelnen, klar abgegrenzten Aktion, sodass Sie Tools zu größeren Workflows kombinieren können (zum Beispiel: Ergebnisse lesen, Code abrufen, ein Flag anlegen, eine Regel hinzufügen und sie aktivieren).

Alle Tools

Diese Tabelle listet alle 54 Tools an einer Stelle auf, sortiert nach Namen. Die Spalte Bereich verlinkt auf die Seite mit den Parametern und Beispiel-Prompts jedes Tools.
Um die neuesten Tool-Einstellungen zu nutzen, etwa Ergebnisaufschlüsselungen und -filter oder die zusätzlichen Segment-Bedingungstypen, verbinden Sie den Kameleoon-MCP-Server in Ihrem Client neu. Bis dahin behält der Client die Tool-Liste bei, die er zuvor geladen hat, und zeigt die neuen Einstellungen nicht an.

Änderungen bestätigen, die den Live-Traffic betreffen

Tools, die den Live-Traffic ändern, zeigen eine Vorschau der Änderung und wenden sie erst nach Ihrer Bestätigung an:
  • feature_flag_enable, feature_flag_disable und feature_flag_delete: immer.
  • feature_flag_rule_targeted_create, feature_flag_rule_progressive_create und feature_flag_rule_experimentation_create: wenn das Flag in der Zielumgebung bereits aktiviert ist.
  • experiment_update, experiment_variation_create, experiment_variation_update und targeting_rule_update: wenn das Experiment kein Draft ist.
  • experiment_traffic_allocation_set: für ein geplantes oder pausiertes Experiment.
  • segment_update und trigger_update: wenn sich die Bedingungen ändern und etwas anderes als ein Draft-Experiment das Segment oder den Trigger verwendet, oder, bei einem Segment, ein anderes Segment es referenziert. Umbenennen erfordert nie eine Bestätigung.
  • experiment_lifecycle_update: für stopped und deleted.
segment_delete und trigger_delete verweigern das Löschen eines verwendeten Elements, außer Sie setzen force. Die Traffic-Verteilung eines laufenden Experiments können Sie über den MCP-Server nicht ändern. Nehmen Sie diese Änderung in der Kameleoon-App vor. Wenn ein Tool für Feature-Flag-Regeln ein Timeout hat oder einen Gateway-Fehler zurückgibt, hat das Tool die Regel möglicherweise trotzdem angelegt. Prüfen Sie das mit feature_flag_get, bevor Sie es erneut versuchen, sonst entsteht durch den erneuten Versuch eine doppelte Regel.

Daten, deren Vorbereitung Zeit braucht

Health checks und Zielauswirkungen hängen von Daten ab, die Kameleoon im Hintergrund aufbereitet. Ein Tool kann melden, dass Kameleoon die Daten noch vorbereitet (readiness mit dem Wert PREPARING oder PARTIAL bei Zielauswirkungen). Fragen Sie nach Ablauf des Werts von readiness.retryAfterSeconds erneut nach.

Token-Verbrauch und Überlegungen zur Plan-Wahl

Das Verbinden des Kameleoon MCP Servers mit einem KI-Assistenten erzeugt einen kleinen, festen Overhead: die Tool-Schemas, die die verfügbaren Aktionen beschreiben. Dieser Overhead bleibt unabhängig vom Plan des Assistenten konstant. Die Token-Kosten eines Workflows entstehen durch die eigentliche Arbeit, nicht durch die Verbindung selbst. Die folgenden Faktoren bestimmen den Verbrauch:
  • Die Datenmenge, die ein Workflow abruft, etwa vollständige Experiment-Konfigurationen, Variationscode oder Änderungsprotokolle.
  • Die Codemenge, die der Assistent generiert oder umwandelt, zum Beispiel beim Übertragen einer gewinnenden Variation in nativen Anwendungscode.
  • Die Anzahl der Sites oder Marken, die ein einzelner Workflow umfasst. Das Duplizieren und Prüfen von Experimenten über drei Sites hinweg verbraucht proportional mehr Token als derselbe Vorgang auf einer einzelnen Site.
  • Wie breit Sie einen einzelnen Prompt anlegen. Eine eng gefasste Prüfung auf einer einzelnen Site verbraucht deutlich weniger als eine offene Anfrage, jedes Experiment auf jeder Site zu überprüfen.
Bevor Sie sich als Team auf einen bestimmten KI-Assistenten-Plan festlegen, grenzen Sie Ihre erwarteten Workflows ein: wie viele Sites oder Marken sie betreffen, wie oft Sie sie ausführen und ob sie umfangreiche Datenabrufe oder Codegenerierung umfassen. Wiederkehrende Workflows über mehrere Sites hinweg benötigen einen Plan mit einem größeren Nutzungskontingent oder Kontextfenster als ein Plan, der für gelegentliche Prompts auf einer einzelnen Site ausgelegt ist. Prüfen Sie die Plan-Dokumentation Ihres KI-Assistenten-Anbieters auf die jeweiligen Nutzungsgrenzen und die Größe des Kontextfensters.

Ratenlimits

Der MCP-Server hat eigene Ratenlimits, die pro Benutzer, pro Tool und pro Minute gelten. Tools für Ergebnisse und Analysen erlauben 10 Aufrufe pro Minute, Schreib-Tools 20 bis 60 Aufrufe pro Minute und die Listen- und Abruf-Tools für Segmente, Trigger und Targeting-Regeln 100 Aufrufe pro Minute. Ein Aufruf über dem Limit gibt einen Ratenlimit-Fehler mit einem retryAfterSeconds-Wert zurück. Jeder MCP-Aufruf läuft außerdem über das Gateway der Automation API. Die Ratenlimits der Automation API von 50 Anfragen pro 10 Sekunden und 1.000 Anfragen pro Stunde gelten pro Benutzer, also für Ihr Kundenkonto und Ihren Benutzernamen zusammen, nicht pro Zugriffstoken. MCP-Anfragen haben ein eigenes Limit, das getrennt von den Limits für jede Ihrer eigenen Automation-API-Anwendungen gilt. Ein Tool-Aufruf löst in der Regel 1 bis 3 API-Anfragen aus, Ergebnis-Aufrufe lösen mehr aus. Die normale Nutzung im Dialog bleibt deutlich unter beiden Limits, aber Massen-Skripte, die über den MCP-Server Hunderte von Experimenten durchlaufen, können das Gateway-Limit erreichen.