Najważniejsze wnioski w pigułce
Czym jest MCP i dlaczego to zmienia zasady gry
- Model Context Protocol (MCP) to otwarty standard stworzony przez Anthropic w listopadzie 2024 roku, który łączy asystentów AI z zewnętrznymi źródłami danych i narzędziami.
- MCP działa jak pośrednik między modelem językowym a Twoim narzędziem SEO — dane są wiarygodne, bo pochodzą wprost z Semrusha czy DataForSEO, a nie z halucynacji modelu.
- Koniec z wymyślanymi wolumenami wyszukiwań: te same liczby widzisz w interfejsie narzędzia i w odpowiedzi modelu.
Claude vs Claude Code — co wybrać
- Wersja przeglądarkowa działa w chmurze, nie edytuje plików lokalnych i gubi wątek w długich procesach.
- Claude Code uruchamia serwery MCP lokalnie, czyta i zapisuje pliki na dysku, obsługuje git oraz zadania wieloetapowe.
- Instalacja zajmuje około 30 sekund: na macOS przez Terminal, na Windowsie przez PowerShell.
Cztery praktyczne zastosowania
- Grupowanie zapytań według sensownych klastrów, a nie tylko wzorców słów kluczowych — analiza skrócona z całego dnia do pół godziny.
- Łączenie MCP z Claude Skills w automatyczny audyt brandowy (słowa markowe vs niemarkowe, funkcje SERP, Knowledge Graph).
- Wizualizacje danych historycznych, np. udział AI Overviews w zapytaniach z TOP 3.
- Skalowalny scraping SERP-ów dla wielu lokalizacji dzięki DataForSEO.
Dlaczego model językowy warto uruchomić lokalnie
Model Context Protocol definiuje wspólny sposób, w jaki aplikacje udostępniają swoje narzędzia i dane modelom AI. W praktyce SEO oznacza to, że podłączasz ulubioną platformę analityczną bezpośrednio do Claude’a czy ChatGPT i zadajesz pytania, na które odpowiedź powstaje na podstawie realnych danych z tego narzędzia. Jeśli wiesz, czym jest API, wyobraź sobie, że wywołujesz je z poziomu czatu — MCP pełni rolę pośrednika.
Sama różnica między wersją przeglądarkową a terminalową jest jednak fundamentalna. Claude w standardowym interfejsie pozwala wgrać plik do analizy, ale nie zmodyfikuje niczego na Twoim dysku, a serwery MCP działają po stronie chmury — co bywa problemem, gdy domena blokuje wizyty botów. Claude Code uruchamia je lokalnie, więc jeśli potrafisz przecrawlować stronę u siebie (na przykład Screaming Frogiem), ograniczenie znika.
Kluczowa jest też automatyzacja. Wersja terminalowa obsługuje skrypty, potrafi pracować bez nadzoru — także nocą — i wykonuje wiele żądań równolegle. Jeśli komputer jest włączony, zadanie po prostu się wykona; jeśli nie, uruchomi się przy najbliższym włączeniu. Do scenariuszy opartych na MCP zdecydowanie rekomendujemy to podejście.
Instalacja i podłączenie serwera MCP
Instalacja Claude Code zajmuje dosłownie pół minuty. Na macOS otwórz Terminal (CMD + spacja) i wklej polecenie curl -fsSL https://claude.ai/install.sh | bash. W systemie Windows uruchom Windows PowerShell i wpisz irm https://claude.ai/install.ps1 | iex. Pozostałe metody instalacji znajdziesz w oficjalnym przewodniku szybkiego startu.
Podłączenie serwera MCP jest równie proste. W wersji desktopowej integracje pojawiają się w Ustawieniach, w sekcji „Customize”, a następnie „Connectors” — większość dużych platform SEO ma tam gotowe rozszerzenia. W Claude Code możesz po prostu poprosić model: „dodaj serwer MCP [nazwa narzędzia]”, albo postąpić dokładnie według instrukcji producenta.
Przykład dla Semrusha wygląda następująco: w terminalu dodajesz zdalny serwer HTTP komendą claude mcp add semrush https://mcp.semrush.com/v1/mcp -t http, a potem uruchamiasz polecenie /mcp, wybierasz „Semrush MCP” i klikasz „Authenticate”. Proces uwierzytelniania OAuth 2.1 automatycznie przekieruje Cię na stronę logowania. Warto sprawdzić, czy Twoje narzędzia oferują oficjalne rozszerzenia — dostępność różni się między ChatGPT, Gemini, Cursorem, VS Code i Perplexity.
Zastosowanie 1: grupowanie zapytań ponad wzorce słów kluczowych
Gdy modele językowe zyskiwały popularność, społeczność SEO próbowała prowadzić w nich analizę słów kluczowych. Wolumeny były wtedy zmyślane i nie dawały żadnej podstawy do decyzji. MCP odwraca tę sytuację: skoro najpopularniejsze narzędzia udostępniają własne serwery, otrzymujesz identyczne liczby jak w ich interfejsie.
Prawdziwa wartość pojawia się przy nietypowym cięciu danych. Analiza fraz typu „high paying [zawód] jobs in [miasto]” wymagała wcześniej ręcznego przeklikiwania Semrusha i zaznaczania każdej sensownej frazy — praca na cały dzień. Teraz wystarczy podać kilka przykładów, poprosić o połączenie wariantów („top paying”, „highest paying”, „well paid”), zgrupowanie tematyczne („nurse”, „nursing”, „travel nurse”) oraz filtr wyłapujący wyłącznie frazy z nazwą miasta.
Efektem nie jest długa lista fraz, lecz zestawienie rodzin zawodowych — marketing, sprzedaż, handel detaliczny — z łącznym wolumenem wyszukiwań dla każdej z nich. Prompt nie musi być skomplikowany: podaj przykłady oczekiwanego formatu, wskaż, którego serwera MCP ma użyć model, ustaw minimalny wolumen (np. 10) i poproś o tabelę z grupą oraz sumą wyszukiwań. To, co zajmowało dzień, zamyka się w 30 minutach.
Zastosowanie 2: automatyczne raporty z Claude Skills
Skills to katalogi z instrukcjami, skryptami i materiałami, które uczą model wykonywania konkretnego zadania. Całość opisuje plik SKILL.md — kiedy sięgnąć po dany zestaw i jak postępować — zwykle uzupełniony skryptami pomocniczymi w Pythonie i plikami referencyjnymi. Po wywołaniu umiejętności model wie dokładnie, co robić, bez ponownego tłumaczenia kontekstu.
W przykładowym audycie brandowym połączyliśmy kilka źródeł: liczbę fraz markowych i niemarkowych, łączny wolumen zapytań brandowych, sprawdzenie na żywo funkcji SERP powiązanych z marką oraz wskaźnik pewności z Google Knowledge Graph. API Knowledge Graph jest darmowe, ale warto poprosić Claude Code o bezpieczne przechowanie klucza na dysku lokalnym.
Gotowa umiejętność sprowadza pracę do jednego polecenia: wywołujesz audyt i wypisujesz domeny wraz z nazwami marek, na przykład screwfix.com (Screwfix), toolstation.com (Toolstation) i wickes.co.uk (Wickes) dla rynku brytyjskiego. Czas zależy od wielkości serwisów — w tym przypadku wygenerowanie odpowiedzi i lokalnej strony z raportem zajęło około 10 minut.
Zastosowanie 3 i 4: dane historyczne oraz skalowalny scraping SERP
Dane historyczne pozwalają zbudować raporty, które wcześniej były poza zasięgiem. Nie zmierzymy dokładnie, ile kliknięć odbierają AI Overviews, ale sprawdzimy, jak często pojawiają się przy Twoich frazach i jaki wolumen obejmują. Przykładowy prompt prosi o wizualizację liczby fraz w TOP 3 z klasycznymi wynikami SERP wobec tych z AI Overviews lub AI Mode za ostatnie trzy miesiące, a drugi krok zamienia liczbę fraz na sumę wolumenu.
Do wyników podchodź z rezerwą — są dokładne na tyle, na ile dokładne jest Twoje narzędzie, i nie uwzględniają użytkowników, którzy porzucili wyszukiwarkę Google na rzecz asystentów AI. Warto też pilnować precyzji promptów: w pierwszym podejściu model dorzucił dane, o które nikt nie prosił (udział ruchu z TOP 3, łączna liczba fraz organicznych), zużywając na to jednostki API.
Czwarty scenariusz to scraping wyników wyszukiwania. Sprawdzenie, kto zajmuje pierwszą stronę lub które adresy zasilają AI Overview, da się zrobić ręcznie — zmieniając ustawienie lokalizacji w Chrome albo korzystając z darmowego SERP Checkera — ale ten sposób nie skaluje się przy wielu lokalizacjach. Podłączenie taniego narzędzia typu DataForSEO daje świeże wyniki dla dowolnego miejsca, a pełną moc uzyskasz łącząc serwery: analizę fraz startujesz w Semrushu, a dane live pobierasz tylko dla wybranych zapytań.
Podsumowanie
Serwery MCP eliminują największą słabość modeli językowych w pracy SEO — brak wiarygodnych danych — i jednocześnie zachowują ich szybkość oraz elastyczność. Zamiast wybierać między precyzją narzędzia a wygodą czatu, dostajesz oba atuty w jednym procesie, od analizy fraz przez automatyczne audyty aż po monitoring SERP-ów w wielu lokalizacjach.
Źródło: Search Engine Land — How to use MCP servers to speed up your SEO research
