Respondendo a pergunta do final pelo lado de quem usa agente: o que mais pesaria pra mim é o custo em contexto. Na maioria dos clientes as 23 ferramentas ficam com descrição e schema carregados em toda conversa, e quem já tem uns 3 ou 4 MCPs ligados sente isso. Eu deixaria escolher um conjunto menor, tipo só buscar fluxo, puxar fluxo e buscar por screenshot, por parâmetro na URL ou na configuração da chave.

Outra dúvida: quando o agente puxa um fluxo, a ferramenta devolve a imagem da tela como conteúdo pro modelo ou só a URL e o OCR? Com a imagem o modelo consegue olhar o layout de verdade, mas cada tela gasta bastante token.