asistente-flota-mcp

Asistente que responde disponibilidad, tarifas y políticas de una flota de alquiler, expuesto como servidor MCP, como agente con tool use y como flujo de n8n.

Caso: Rentadora de autos de Bariloche (basado en Proper Rent a Car, datos ficticios). Todos los datos de este repo son ficticios. Proyecto 1 del programa 30 días de IA aplicada (Fundamentos y Claude como herramienta de trabajo).

Demo

Preguntarle al asistente (desde Claude o desde un chat web/n8n) qué autos hay libres para ciertas fechas, cuánto sale y si se puede cruzar a Chile.

(GIF o video de la demo: se agrega al cerrar el proyecto)

Related MCP server: Rentalot MCP Server

Arquitectura

flowchart LR
  C[Cliente] -->|mensaje| A[asistente.agente.conversar]
  I[prompts/agente.md] --> A
  A -->|mensajes + herramientas| M[Modelo: Gemini, Groq u Ollama]
  M -->|tool_calls| A
  A --> H[asistente.herramientas.ejecutar]
  H --> FL[(datos/flota.json)]
  H --> PO[(datos/politicas.md)]
  H -->|resultado JSON| A
  A -->|respuesta final| C

(Se actualiza a medida que se suman módulos.)

Stack

Python 3.12, SDK oficial de MCP, API de LLM con fallback gratuito, n8n, Docker, GitHub Actions

Cómo correrlo

git clone https://github.com/JaimeLopezGarrido/asistente-flota-mcp.git && cd asistente-flota-mcp
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements-dev.txt
cp .env.example .env   # completar claves
pytest

# Probar el asistente contra los 10 casos difíciles (usa las claves de .env)
python -m scripts.correr_casos --repeticiones 3

Probar el agente

python -m scripts.chat                       # chat en la terminal (usa las claves de .env)
python -m scripts.chat --proveedores groq    # forzar un proveedor
python -m scripts.streaming                  # demo de streaming

Exploración: cómo funciona un LLM por dentro

python -m exploracion.tokens                            # cómo se tokenizan frases de la rentadora
python -m exploracion.probabilidades                    # temperatura, top-p y muestreo con numpy
python -m exploracion.logprobs_ollama --temperatura 0   # opcional: logprobs reales con Ollama

Roadmap

Cada ítem es una issue; se cierra con el commit que la resuelve (Closes #N).

• L01 · Cómo funciona un LLM hoy y el mapa de modelos

• L02 · Context engineering y prompting profesional

• L03 · LLMs desde código: API, streaming y tool use

• L04 · Cómo se entrena un LLM y qué es un transformer

• L05 · Workflows vs agentes: los patrones que funcionan

• L06 · Herramientas profesionales: diseño, validación y escritura segura

• L07 · Persistencia: reservas y conversaciones en una base de datos

• L08 · Embeddings y búsqueda semántica desde cero

• L09 · Ingesta de documentos: PDF, chunking y metadatos

• L10 · Base vectorial: indexar y recuperar

• L11 · Respuestas con citas y RAG como herramienta del agente

• L12 · RAG avanzado: híbrido, reranking y reescritura

• … (memoria, evals, seguridad, API web y demo pública)

Decisiones

Ver docs/decisiones/.

Licencia

MIT