MCP

Gebruik de MCP-server van een externe aanbieder (diverse shopsystemen zoals Shopify bieden dit gratis of tegen betaling aan) of richt zelf een MCP-server in voor uw website.

💡

Voor het opzetten en configureren van een eigen MCP-server zijn IT- en programmeerkennis nodig.

Meer informatie

Om uw eigen MCP-server of die van een externe aanbieder te verbinden, kunt u deze in Connect AI toevoegen en configureren via "Acties > MCP-server".

Configuratievoorbeeld Shopify-webshop:

💡

Veel van onze klanten gebruiken Shopify als systeem voor hun webshops. Voor dit voorbeeld gebruiken we daarom een configuratie zoals een Shopify-gebruiker die ook zou kunnen gebruiken. Het proces is voor alle Shopify-systemen hetzelfde, zolang deze functie niet in de Shopify-instellingen is uitgeschakeld.

Via Acties > MCP-server voegen we een nieuwe MCP-serverkoppeling toe met de blauwe knop “Toevoegen”. We geven de koppeling een interne naam, kiezen het transportprotocol en vullen de juiste URL in (bij Shopify altijd “http” en “https://www.your-domain.com/api/mcp”).

Daarna slaan we de koppeling op.

Vervolgens kiezen we onder Instellingen > AI-agent de agent waarvoor we toegang tot de MCP-server willen inschakelen. In de agentinstellingen selecteren we onder MCP Actions met de blauwe knop “Toevoegen” de zojuist toegevoegde MCP-server, en bepalen we welke actions de agent mag uitvoeren.

In ons geval moet de agent zowel de productcatalogus kunnen doorzoeken als toegang hebben tot de productdetails. We selecteren daarom in twee stappen deze twee actions:

search_shop_catalog en

get_product_details

en slaan beide stappen telkens op.

💡

Afhankelijk van de aanbieder van de MCP-server kunnen hier verschillende actions beschikbaar zijn.

Daarna verschijnen beide actions in de lijst en kan de AI-agent ze uitvoeren. Een toepassingsvoorbeeld vindt u hieronder.

Algemeen toepassingsvoorbeeld: productadvies

Een typisch toepassingsvoorbeeld voor het koppelen van een MCP-server is de integratie van een e-commercesysteem in uw Connect AI-agent.

In dit scenario wilt u uw agent zo configureren dat contacten bij productvragen realtime informatie uit uw webshop kan geven.

Werking

Het proces verloopt als volgt:

Vraag van een contact: Een contact vraagt de agent om productinformatie, bijvoorbeeld: "Hebben jullie de Windbreaker Pro-jas ook in rood en maat M?"

MCP-aanvraag: De agent herkent de productvraag en stuurt een aanvraag naar de MCP-server met de relevante parameters (productnaam, gewenste kleur, maat).

Data ophalen: De MCP-server vraagt via de shop-API de actuele voorraad en productvarianten op.

Antwoord genereren: De agent ontvangt de data en formuleert een antwoord in natuurlijke taal: "Ja, de Windbreaker Pro is beschikbaar in rood en maat M. We hebben momenteel nog 3 stuks op voorraad. De prijs is €89,99."

Met deze integratie kunt u:

actuele productbeschikbaarheid realtime opvragen

prijzen, kortingen en aanbiedingen communiceren

productvarianten (kleuren, maten, materialen) tonen

vergelijkbare of alternatieve producten voorstellen

directe toegang tot de winkelwagen mogelijk maken

💡

Zo stelt u uw agent in staat om te werken als een ervaren verkoper, die altijd over alle productdetails beschikt en gepersonaliseerde aanbevelingen kan doen.

Met deze realtime koppeling voorkomt u ontevredenheid door verouderde informatie en kunt u de omzet verhogen door snel en nauwkeurig op klantvragen te reageren.

Praktijktips

maximale reductie van gegevens die via API Actions aan Lime Connect worden doorgegeven

Elk AI-model heeft technisch bepaalde contextlimieten. Dit is een beperking van de hoeveelheid data of informatie die het model in één verzoek maximaal kan verwerken.

Ook al lijken contextlimieten in theorie soms veel informatie toe te staan, in de praktijk neemt de kwaliteit van antwoorden vaak duidelijk af naarmate de hoeveelheid data toeneemt.

Om de best mogelijke antwoordkwaliteit te krijgen, is het daarom essentieel om de informatie zo sterk mogelijk vooraf te filteren. Het doel is dat het AI-model uitsluitend precies die informatie ontvangt die nodig is om precies die ene vraag te beantwoorden.

Als deze filtering niet wordt toegepast, wordt het AI-model met een onnodig grote hoeveelheid data “overstroomd”, waardoor de kwaliteit van de antwoorden, zoals gezegd, duidelijk afneemt