Skip to main content
Modifier une expérience ou un feature flag implique généralement de passer de votre éditeur à l’application Kameleoon. Avec le serveur MCP, votre assistant IA lit et modifie votre projet Kameleoon depuis l’endroit où vous écrivez le code.

Configurer le serveur là où vous développez

Sélectionnez votre assistant de code IA pour obtenir une invite de configuration prête à coller.
Kai, l’assistant IA de Kameleoon intégré à l’application, inclut nativement ces mêmes outils, sans étape de connexion distincte. Utilisez les invites de configuration de votre assistant de code IA lorsque vous voulez qu’il agisse sur votre projet Kameleoon depuis votre IDE.
Si vous voulez utiliser ces outils depuis Claude ou ChatGPT dans le chat (web ou application de bureau) plutôt que depuis un IDE, consultez Connecter Kameleoon à Claude et ChatGPT.
La configuration pas à pas de chaque client est décrite dans Configurer les clients MCP.

Ce que vous pouvez faire

Une fois le serveur connecté, votre agent IA peut interagir avec Kameleoon pour :
  • Découvrir et inspecter les expériences, les feature flags, les objectifs, les segments, les déclencheurs et les règles de ciblage.
  • Construire des expériences de bout en bout : les créer, les dupliquer, modifier leurs paramètres et leur répartition du trafic, ajouter des variations avec leur propre code, et gérer tout leur cycle de vie (démarrer, mettre en pause, reprendre, arrêter, supprimer).
  • Gérer les feature flags : les créer, les dupliquer, les supprimer, les activer ou les désactiver par environnement, et consulter l’historique des modifications.
  • Configurer la diffusion des flags : ajouter des règles ciblées et d’expérimentation, des variations personnalisées et des variables typées.
  • Créer et maintenir des objectifs, des segments d’audience et des déclencheurs, et définir le segment et le déclencheur d’une expérience.
  • Analyser les résultats des expériences et des expériences de feature flags, et récupérer le code brut des variations (JavaScript et CSS).
  • Automatiser tout le cycle d’implémentation, de la variation gagnante jusqu’à un déploiement en production contrôlé par un flag.

Référence des outils

Les outils sont regroupés selon l’élément sur lequel ils agissent. Chaque page présente les outils de son domaine avec leurs paramètres et des exemples de prompts. Chaque outil correspond à une action unique et bien délimitée, que vous pouvez combiner pour créer des workflows plus complets (par exemple : lire les résultats, récupérer le code, créer un flag, ajouter une règle, puis l’activer).

Tous les outils

Ce tableau répertorie les 60 outils en un seul endroit, triés par nom. La colonne Domaine renvoie à la page de chaque outil, avec ses paramètres et des exemples de requêtes.
Pour utiliser les outils et les réglages les plus récents, comme les ventilations et les filtres de résultats ou les types de conditions de segment supplémentaires, reconnectez le serveur MCP Kameleoon dans votre client. Tant que vous ne vous reconnectez pas, le client conserve la liste d’outils chargée précédemment et n’affiche pas les nouveaux réglages.

Confirmer les modifications qui affectent le trafic en direct

Les outils qui modifient le trafic en direct affichent un aperçu de la modification et ne l’appliquent qu’après votre confirmation :
  • feature_flag_enable, feature_flag_disable et feature_flag_delete : dans tous les cas.
  • feature_flag_rule_targeted_create, feature_flag_rule_progressive_create et feature_flag_rule_experimentation_create : lorsque le flag est déjà activé dans l’environnement cible.
  • experiment_update, experiment_integrations_update, experiment_variation_create, experiment_variation_update et targeting_rule_update : lorsque l’expérience n’est pas un draft.
  • experiment_traffic_allocation_set : pour une expérience programmée ou en pause.
  • segment_update et trigger_update : lorsque les conditions changent et qu’autre chose qu’une expérience draft utilise le segment ou le déclencheur, ou, pour un segment, un autre segment le référence. Le renommage ne nécessite jamais de confirmation.
  • experiment_lifecycle_update : pour stopped et deleted.
segment_delete et trigger_delete refusent de supprimer un élément utilisé, sauf si vous définissez force. Vous ne pouvez pas modifier la répartition du trafic d’une expérience en cours via le serveur MCP. Modifiez-la dans l’application Kameleoon. Si un outil de règle de feature flag expire ou renvoie une erreur de passerelle, l’outil a peut-être tout de même créé la règle. Vérifiez avec feature_flag_get avant de réessayer, sinon la nouvelle tentative ajoute une règle en double.

Données qui demandent du temps à préparer

Les health checks et les impacts sur les objectifs dépendent de données que Kameleoon prépare en arrière-plan. Un outil peut indiquer que Kameleoon prépare encore les données (readiness valant PREPARING ou PARTIAL pour les impacts sur les objectifs). Demandez à nouveau après la valeur readiness.retryAfterSeconds.

Utilisation des tokens et choix du forfait

Connecter le serveur MCP Kameleoon à un assistant IA ajoute une surcharge faible et constante : les schémas d’outils qui décrivent les actions disponibles. Cette surcharge reste stable quel que soit le forfait sur lequel fonctionne l’assistant. Le coût en tokens d’un workflow provient du travail lui-même, pas de la connexion. Les facteurs suivants déterminent la consommation :
  • La quantité de données qu’un workflow récupère, comme des configurations d’expérience complètes, du code de variation ou des historiques de modifications.
  • La quantité de code que l’assistant génère ou convertit, par exemple lors de la transposition d’une variation gagnante en code natif d’application.
  • Le nombre de sites ou de marques qu’un même workflow couvre. Dupliquer et auditer des expériences sur trois sites consomme proportionnellement plus de tokens qu’exécuter la même opération sur un seul site.
  • L’ampleur avec laquelle vous délimitez un même prompt. Une vérification circonscrite à un seul site consomme bien moins qu’une demande ouverte visant à passer en revue toutes les expériences de tous les sites.
Avant d’engager votre équipe sur un forfait d’assistant IA spécifique, évaluez l’ampleur de vos workflows prévus : combien de sites ou de marques ils couvrent, à quelle fréquence vous les exécutez, et s’ils incluent des étapes de récupération massive de données ou de génération de code. Les workflows récurrents et multi-sites nécessitent un forfait offrant une capacité d’usage ou une fenêtre de contexte plus large qu’un forfait pensé pour des prompts occasionnels sur un seul site. Consultez la documentation du forfait de votre fournisseur d’assistant IA pour connaître ses limites d’usage précises et la taille de sa fenêtre de contexte.

Limites de débit

Le serveur MCP applique ses propres limites de débit, par utilisateur, par outil et par minute. Les outils de résultats et d’analyse autorisent 10 appels par minute, les outils d’écriture de 20 à 60 appels par minute, et les outils de liste et de consultation des segments, des déclencheurs et des règles de ciblage 100 appels par minute. Un appel qui dépasse la limite renvoie une erreur de limite de débit avec une valeur retryAfterSeconds. Chaque appel MCP transite également par la passerelle de l’Automation API. Les limites de l’Automation API de 50 requêtes par 10 secondes et de 1 000 requêtes par heure s’appliquent à chaque utilisateur, c’est-à-dire à votre compte client et à votre nom d’utilisateur réunis, et non à chaque jeton d’accès. Les requêtes MCP ont leur propre limite, distincte de celles qui s’appliquent à chacune de vos propres applications Automation API. Un appel d’outil génère généralement de 1 à 3 requêtes d’API, et les appels de résultats en génèrent davantage. L’usage conversationnel normal reste bien en dessous de ces deux limites, mais des scripts en masse qui parcourent des centaines d’expériences via le serveur MCP peuvent atteindre la limite de la passerelle.