DeskPilot AI MCP Server
Provides a local SQLite repository backend for service desk data, enabling ticket lookup, ticket creation, and metrics queries through the MCP server.
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
DeskPilot AI
Asistente de nivel 1 para la mesa de servicio de TI de un banco ficticio: responde con citas de la base de conocimiento, consulta y crea tickets y reporta métricas por área (RAG + FastAPI + MCP + Microsoft Fabric + Copilot Studio).
Datos sintéticos generados para este proyecto; las cifras son ilustrativas.
Banco Altiplano es un banco inventado. No se usan datos reales de ningún banco ni de ninguna empresa.
Por qué este proyecto
Una mesa de servicio L1 gasta casi 4 de cada 10 tickets en cinco problemas repetitivos (contraseña, desbloqueo, token, impresoras, VPN) y sufre picos de quincena.
DeskPilot AI responde esos casos con pasos y artículo citado, dice "no lo sé" cuando no hay evidencia y escala fraude, accesos no autorizados y fallas de caja sin intentar resolverlos.
Cada cifra del caso de negocio sale de una consulta SQL reproducible (
docs/business-case.md).
Related MCP server: Ticket Queue MCP Server
Habilidades demostradas
Habilidad | Evidencia | Estado |
Copilot Studio | Diseño del agente: | Diseño hecho; agente en el tenant pendiente (manual) |
SQL | 10 consultas en | Hecho en local; Fabric pendiente (manual) |
Microsoft Fabric | Código listo; no verificado contra un tenant real | |
Procesos de negocio | Hecho (datos sintéticos) | |
Documentación de pruebas | Hecho | |
RAG / MCP | Hecho | |
CI | Hecho |
La tabla completa contra la vacante está en docs/job-fit.md.
Arquitectura
flowchart LR
CS[Copilot Studio] -->|Swagger 2.0, X-API-Key| API[FastAPI]
MCPC[Cliente MCP] --> MCP[Servidor MCP]
API --> SVC[Capa de servicio]
MCP --> SVC
SVC --> RAG[RAG: retriever, policy, answer_service]
SVC --> REPO[(SQLite o Fabric)]
RAG --> VDB[(Chroma)]Detalle y más diagramas en docs/architecture.md.
Setup
Requiere Python 3.13. Ejemplo en PowerShell (Windows); en Linux/macOS activa con source .venv/bin/activate.
git clone https://github.com/LuisFernandoAparicio21/deskpilot-ai.git
cd deskpilot-ai
python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -r requirements-dev.txt # o requirements.txt solo para ejecutar
copy .env.example .env # define DESKPILOT_API_KEY (16+ caracteres) para serve y mcp http
python main.py generate-data
python main.py load-db
python main.py index # la primera vez descarga el modelo de embeddings (~250 MB)El modo local no usa llaves de pago (LLM_PROVIDER=none). Los comandos se comprobaron con python main.py --help; el flujo completo corre en el CI (eval-smoke). No se repitió en un clon limpio para este README.
Cómo correr
Comando | Qué hace |
| Genera los tickets sintéticos (semilla 42, 5,000) |
| Carga SQLite; con |
| Chunking, embeddings e índice en Chroma |
| API REST (FastAPI) |
| Servidor MCP (stdio por defecto) |
| Corre los 30 casos y escribe |
| Exporta |
Docker (modo local, usuario no root, modelo e índice en el build; ver docs/features/docker.md):
docker build -t deskpilot-ai .
docker run -d --name deskpilot -p 8000:8000 -e DESKPILOT_API_KEY=<clave de 16+ caracteres> deskpilot-ai
curl.exe http://localhost:8000/healthResultados reales
Medidos en local (modo local, sin LLM, índice real). Datos sintéticos.
Evaluación local de 30 casos (backend local, 2026-11-22), generada desde tests/eval/results.summary.json:
Métrica | Resultado | Umbral | Cumple |
Casos aprobados | 29/30 (96.7%) | >= 90% | sí |
Recuperación top-3 | 14/14 (100.0%) | >= 90% | sí |
Rechazo correcto | 3/4 (75.0%) | >= 100% | no |
Clasificación de tickets | 5/5 (100.0%) | >= 85% | sí |
Seguridad | 3/3 (100.0%) | >= 100% | sí |
Latencia por caso | p50 13.8 ms, p95 31.5 ms | - | - |
Casos fallidos: EV-16.
Copilot Studio: pendiente (manual), sin resultados medidos todavía (docs/testing-procedure.md, T32).
Qué | Resultado | Fuente |
Casos de evaluación | 29 de 30 (96.7%); top-3 14/14, rechazo 3/4, clasificación 5/5, seguridad 3/3 |
|
Latencia por caso (local) | p50 13.8 ms, p95 31.5 ms |
|
Pytest | 1724 passed, 2 skipped, 33 deselected ( |
|
Cobertura de | 98.24% (umbral 80%) |
|
Repetitivo (5 subcategorías) | 39.92% de los tickets | |
Automatizable (RN-06, techo) | 51.24% | business-case |
Factor de quincena | 1.90 veces | business-case |
SLA local contra foráneo | 79.50% contra 60.57% | business-case |
Horas ahorradas al mes | 35.6 / 53.4 / 71.2 con 10 / 15 / 20 min por ticket (SUPUESTO ILUSTRATIVO) | business-case |
El CI (ruff, mypy, pytest, eval-smoke, docker-build) corre en cada push y PR.
Estado
Hecho (Fase A, modo local): datos sintéticos y 10 consultas SQL; 15 artículos de conocimiento; RAG con umbral, citas y escalamiento; API REST y servidor MCP; crear_ticket con redacción de datos sensibles; export Swagger 2.0; imagen Docker; diseño del agente de Copilot Studio; evaluación de 30 casos; CI; caso de negocio y ADR.
Pendiente manual (sin resultados todavía): Fabric real (workspace, lakehouse, warehouse y consultas en el SQL endpoint), agente en Copilot Studio y sus 30 casos en el chat, reporte de Power BI, video y learning log. Nada de esto se afirma como medido: ver docs/roadmap.md.
Video
PLACEHOLDER (video demo: pendiente de grabar, ver docs/MANUAL_STEPS.md, sección 7).
Estructura del repo
main.py CLI (generate-data, load-db, index, serve, mcp, eval, export-openapi)
config.yaml configuración del pipeline
src/ ingestion, chunking, embeddings, vectordb, retrieval, prompts, llm, api, utils
data/ knowledge_base (15 artículos), sample
integrations/ fabric (notebook, SQL), copilot_studio (instrucciones, temas, openapi.json)
tests/ unit, integration, e2e, eval
docs/ architecture, business-case, job-fit, requirements, roadmap, adr, features, odd
.github/ CI, plantillas de PR e issuesLímites conocidos
EV-16: una consulta fuera de dominio recupera KB-003 con score 0.525, sobre el umbral 0.33, y el agente responde en vez de rechazar (el umbral es global y sin rerank). Por eso
evaltermina con código 1; se documentó y no se subió el umbral para no rechazar casos legítimos (docs/features/eval-e2e.md).Fabric y Copilot Studio no están verificados contra un tenant real: el código del modo
fabricy el agente están diseñados y probados con dobles, no contra Microsoft.Las horas ahorradas dependen de minutos por ticket supuestos; no hay ROI en dinero.
Más límites en
docs/business-case.md(sección 8).
Licencia
MIT. Cómo contribuir: CONTRIBUTING.md. Cambios: CHANGELOG.md.
English summary
DeskPilot AI is a portfolio project: a level-1 IT service desk assistant for a fictional bank ("Banco Altiplano"). All data is synthetic and the figures are illustrative.
Extractive RAG (fastembed + Chroma) answers with a cited knowledge-base article, says "I don't know" below a similarity threshold, and always escalates fraud, unauthorized access and cash-system failures.
One service layer is exposed as a REST API (FastAPI,
X-API-Key) and as an MCP server; a Swagger 2.0 file is exported for Copilot Studio.Ten portable SQL queries run on SQLite and are written for Microsoft Fabric; Fabric mode is coded but not verified against a real tenant.
Local evaluation: 29/30 cases pass (known limitation EV-16); 1724 tests, 98.24% coverage; CI with ruff, mypy, pytest, eval smoke test and Docker build.
Pending manual work: Fabric setup, Copilot Studio agent and chat evaluation, Power BI, demo video.
See
docs/job-fit.mdfor the mapping to an AI Developer Trainee profile.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Search and manage your team's knowledge from MCP clients.
Remote MCP server for managing Muninx tickets, messages, ticket search, and support analytics.
The world's public data, one API. License-cleared public data sources for agents, via MCP and REST.
Make your knowledge agent-ready. One MCP endpoint, 5 connectors, 3 search modes.
Related MCP Servers
- FlicenseNot gradedqualityCmaintenanceEnables workspace-scoped cited RAG knowledge search and human-approved support ticket creation through MCP tools.-
- FlicenseNot gradedqualityDmaintenanceEnables AI clients to access and manage an internal support ticket queue through MCP tools, resources, and prompts, including searching and viewing tickets, adding comments, closing tickets with confirmation, reading knowledge base articles, and viewing queue summaries over OAuth-secured Streamable HTTP.-
- AlicenseAqualityCmaintenanceProvides customer lookup, transaction history, knowledge-base search, and ticket management tools to any MCP client.5MIT
- FlicenseNot gradedqualityAmaintenanceEnables retrieval and management of tickets and comments, ticket analysis and response drafting, and access to Help Center articles as a knowledge base via MCP.-