Agente de Voz para Car Detailing — MCP + LangGraph

Agente conversacional por voz que permite a los clientes de un negocio real de car detailing consultar precios, revisar disponibilidad y agendar servicios hablando, sin usar la plataforma web.

El problema

El negocio tiene una plataforma digital funcional, pero un segmento importante de su clientela —clientes de mayor edad— no la usa con soltura. La barrera no es el servicio, es la interfaz. Una llamada telefónica sí es una interfaz que ya dominan.

Related MCP server: carly-cli

Arquitectura

graph TD;
	__start__([<p>__start__</p>]):::first
	interpretar(interpretar)
	responder(responder)
	__end__([<p>__end__</p>]):::last
	__start__ --> interpretar;
	interpretar --> responder;
	responder --> __end__;
	classDef default fill:#f2f0ff,line-height:1.2
	classDef first fill-opacity:0
	classDef last fill:#bfb6fc

Diagrama generado desde el código con draw_mermaid(). Se actualiza en cada fase; el grafo real de Fase 2 añade decisión de tool y clarificación.

Dos switches independientes

Son ortogonales: la app en AWS puede usar voz local y viceversa. El switch B es un patrón Strategy detrás de la interfaz VoiceProvider.

Stack

Python 3.12 · LangGraph · MCP (Streamable HTTP) · FastAPI · SQLite · Docker · Langfuse · AWS ECS Fargate · Cloudflare Tunnel

Estado

• Fase 0 — Fundamentos y entorno

• Fase 1 — Servidor MCP con las herramientas del negocio

• Fase 2 — Orquestador LangGraph

• Fase 3 — Capa de voz con switch local/nube

• Fase 4 — Despliegue dual (AWS + homelab)

• Fase 5 — Observabilidad, evaluación y documentación

Cómo correr

uv sync
cp .env.example .env   # y llenar las claves
uv run agent/hello_graph.py

Decisiones de arquitectura

Cada decisión técnica, con sus alternativas descartadas y por qué, está en docs/decision-log.md.

Nota sobre los datos

Todos los datos de este repositorio son sintéticos. No se usa información real de clientes del negocio.