过去一年的大部分时间里，"AI 创作"意味着一个人坐在画布前，输入提示词并点击生成。这是一种不错的体验，我们也花了大量时间让 Floniks 把它做到极致。但这并不是世界发展的方向。越来越多地，提出图像需求的不再是人——而是智能体（agent）。一个正在规划产品发布的 Claude 会话。一段把博客文章转化为社交素材的脚本。一条为场景绘制分镜并渲染每一个镜头的多步流水线。这些调用者并不想要界面，它们想要的是工具。
所以我们造了一个。Floniks 现已附带一个 Model Context Protocol（MCP）服务器，让 Claude Desktop——或任何兼容 MCP 的客户端——可以直接调用我们的创作能力。不是某一个被包装起来的单一模型，而是整个平台：单步生成、多步工作流、已保存的角色、积分查询以及结果获取。如果你读过Floniks 介绍，那么这正是那个愿景中的一部分：创作不再是你点击操作的东西，而是变成了你可以委派出去的事情。
MCP 实际带来了什么
Model Context Protocol 是一个小巧、开放的标准，用于通过结构化工具将 AI 智能体连接到外部系统。你无需教智能体去抓取你的 Web 界面或手工拼凑 HTTP 调用，而是暴露一组带有类型化输入和输出的命名工具，由智能体决定何时调用它们。智能体拿到的是菜单，而厨房始终由你掌控。
对于 Floniks 而言，这份菜单就是创作平台本身。一个连接到我们 MCP 服务器的智能体可以发现有哪些模型存在、生成一张静态图或一段短片、运行一条已保存的流水线、轮询结果，并查看自己还剩多少积分——全程无需人工把各个步骤串接起来。你在工作流编辑器中手动搭建的同一张节点图，如今变成了智能体可以自行编写并执行的东西。
我们暴露的工具
我们让工具表面尽量贴近产品已有的工作方式，因此你在界面中做的事情与智能体能够以编程方式做的事情之间不存在阻抗失配。这些代表性工具可分为几组。
单步生成。 single_task 是 AI Image 和 AI Video 页面的智能体可调用版本——一次性完成 text_to_image、image_to_image、image_to_video 或 text_to_video。get_task 用于轮询正在运行的任务，并在完成时返回其状态和输出 URL。
工作流。 list_workflows、get_workflow、create_workflow 和 update_workflow 让智能体能够检查和编辑驱动 Pro 模式的基于节点的 DAG。execute_workflow 用于运行其中之一。而 generate_workflow 是最有意思的一个：给它一段自然语言描述，它就会返回一张工作流图——智能体实际上可以从一句话设计出一条流水线，然后运行它。
发现与元数据。 list_models、list_model_aliases 和 get_model_params 告诉智能体有哪些可用资源、每个模型接受哪些参数，使其能够构造有效请求而非靠猜测。list_templates 将我们的预设流水线作为起点呈现出来。
素材与账户。 list_creations 拉回此前的输出。list_characters 暴露已保存的角色，以便在多次生成之间复用——这正是我们在深入 Floniks 工作流编辑器中写到的同一种一致性原语。而 get_credit_balance 让智能体在启动任务之前确认自己是否负担得起。
这里重要的设计抉择在于：这些并不是一套平行的、被稀释过的 API。它们就是产品赖以运行的同一批能力，以带有结构化输出的机器可调用工具的形式暴露出来。
一个真实的智能体循环
理解这个服务器最清晰的方式，就是追踪智能体实际所做的事情。假设一个 Claude 会话被要求为某个功能发布制作一张主视觉图。从概念上看，这个循环是这样的：
- 发现。 调用
list_model_aliases查看有哪些模型可用，并挑选一个适合该任务的——比如一个强力的text_to_image模型。可选地调用get_model_params以了解它接受哪些宽高比或尺寸。 - 生成。 调用
single_task，传入task_type: text_to_image、选定的模型，以及智能体根据发布文案撰写的提示词。这会返回一个任务 ID。 - 轮询。 用该 ID 调用
get_task，直到状态达到终结态。由于生成是异步的，智能体是在等待该任务，而不是占用一个请求保持打开。 - 使用结果。 成功时，
get_task返回输出 URL。智能体把这个 URL 交回给用户、放入文档，或喂给下一个步骤。
注意缺少了什么：没有浏览器自动化，没有屏幕抓取，没有脆弱的选择器。智能体是对类型化的工具结果进行推理。而且由于我们在这里并不编造假凭据——身份认证由你的 Floniks 账户处理，遵循MCP 与开发者文档中记录的设置——无论触发者是人还是智能体，同一个循环都以完全相同的方式运行。
把其中几个串接起来，例子就会更具雄心。一个把博客文章转化为一组社交图像的智能体：读取文章，针对每个平台用定制尺寸的提示词各调用一次 single_task，收集这些 URL。又或者一个为脚本绘制分镜的 Claude 工作流——用 generate_workflow 设计一条镜头流水线，用 execute_workflow 渲染它，用 get_task 收集每一个镜头。智能体掌管编排，Floniks 掌管生成。
三条接入路径，而非一条
MCP 服务器是面向智能体构建者的头条，但它只是三条集成路径之一，而且它们本就是用来混搭的。
- MCP 服务器面向智能体。如果你在 Claude 或任何 MCP 客户端上构建，这就是赋予你的智能体创作能力的原生方式。
- REST API 面向其余一切——脚本、后端、定时任务、你自己的产品。同样的能力，纯粹的 HTTP。如果你更愿意从一个服务而非从一个智能体调用 Floniks，这就是路径。
- 公共 Skills 将常见流程打包为可复用单元，供那些想要比原始工具调用更高层级构建块的开发者使用。
这三者都在MCP 与开发者文档同一处有文档说明。你不必只锁定其中一条。一种常见形态是：一个智能体使用 MCP 服务器进行交互式工作，而一个后端使用 REST API 进行定时批处理任务，两者命中的是同一批工作流。
为什么工作流才是真正重要的单元
发布一个单一的 generate_image 工具然后就此收工，本会更省事。我们没有这么做，因为 Floniks 拥有的最有价值的东西并不是某一个模型——而是可组合的流水线。我们在为什么工作流胜过一次性提示词中已完整阐述过这个论点，但简而言之是这样的：一次性提示词是一个结果，而工作流是一种能力，你可以用新的输入永远重新运行它。
通过 MCP 暴露工作流，意味着智能体继承了这份杠杆。一条你在编辑器中搭建过一次的会说话头像流水线——角色图像送入图生视频再送入口型同步——变成了智能体可以用不同脚本调用一千次的单个 execute_workflow。你以可视化方式编写的 DAG 与智能体调用的工具是同一个对象。这正是让智能体表面与产品表面保持对齐、而非另建一套更单薄 API 的回报。
智能体可以信赖的可靠性
自主调用者抬高了失败的代价，因为没有人盯着去拦截一次"结果从未送达却被扣费"的情况。我们的答案与平台其余部分赖以运行的答案一致：如果一次生成失败，你的积分会自动退还，覆盖每一条失败路径。智能体可以在开始前调用 get_credit_balance 来做预算，而无需为失败任务的扣费进行防御性记账——那已经被处理好了。来自 get_task 的结构化状态意味着智能体可以干净利落地在成功、失败或仍在处理之间分支，而不必去解析散文式的文字。
为智能体时代而生
这里有一个更宏大的押注。随着 AI 智能体和答案引擎成为越来越多互联网入口的门面，胜出的系统将是那些机器可调用、并返回结构化输出的系统——同样适用于内容的生成式引擎优化（GEO）逻辑也适用于能力。一个智能体可以驱动、带有类型化工具和可预测结果的创作平台，恰好契合这个走向。我们宁愿成为智能体主动伸手去用的那个工具，也不愿成为它用不了的界面。
如果你在构建智能体、是连接流水线的 AI 工程师，或是一位宁愿用脚本而非点击来完成生成的技术型创作者，那么 MCP 服务器已经就绪。把你的 MCP 客户端指向 Floniks，打开MCP 与开发者文档，让你的智能体去创造点什么吧。
常见问题
什么是 Model Context Protocol（MCP）？
MCP 是一个开放标准，用于通过结构化、类型化的工具将 AI 智能体连接到外部系统。智能体无需抓取界面或手工拼凑 API 调用，系统会暴露智能体可以调用并推理的命名工具。Floniks 附带一个 MCP 服务器，让任何兼容 MCP 的客户端都能直接使用其创作能力。
Claude 能用 Floniks 生成图像吗？
可以。把 Floniks MCP 服务器连接到 Claude Desktop（或任何 MCP 客户端）后，Claude 就能为 text_to_image 或 image_to_image 调用 single_task，用 get_task 轮询，并返回输出 URL——作为更大任务的一部分自主生成图像。
通过 MCP 服务器，智能体实际上能做什么？
智能体可以发现模型（list_models、list_model_aliases、get_model_params）、运行单步生成（single_task）、构建并运行多步流水线（generate_workflow、create_workflow、execute_workflow）、复用已保存的角色（list_characters）、获取结果（get_task、list_creations），以及查看自己的积分余额（get_credit_balance）。
除了 MCP 还有别的选择吗？
有。Floniks 提供三条集成路径：面向智能体的 MCP 服务器、面向脚本和后端的 REST API，以及面向更高层级可复用流程的公共 Skills。三者共享同一批能力，并都在MCP 与开发者文档中有文档说明。