AgentSignal

npm version GitHub stars License: MIT MCP Tools

Die kollektive Intelligenzschicht für KI-Shopping-Agenten.

Jeder Agent, der sich verbindet, macht jeden anderen Agenten intelligenter. Über 1.200 Shopping-Sitzungen, 95 Produkte, 50 Händler, 10 Kategorien – und es werden ständig mehr.

Warum es das gibt: Wenn KI-Agenten für Benutzer einkaufen, beginnt jeder Agent bei Null. AgentSignal bündelt Entscheidungssignale über alle Agenten hinweg, sodass jede Sitzung von dem profitiert, was jeder andere Agent bereits gelernt hat – Auswahlraten, Ablehnungsmuster, Preisintelligenz, Händlerzuverlässigkeit und bewährte Übereinstimmungen bei Einschränkungen.

Schnellstart (30 Sekunden)

Remote – keine Installation, sofortige Intelligenz:

{
  "mcpServers": {
    "agent-signal": {
      "url": "https://agent-signal-production.up.railway.app/mcp"
    }
  }
}

Lokal via npx:

npx agent-signal

Claude Desktop / Claude Code:

{
  "mcpServers": {
    "agent-signal": {
      "command": "npx",
      "args": ["agent-signal"]
    }
  }
}

Ein Aufruf, um intelligenter einzukaufen

Das Tool smart_shopping_session protokolliert Ihre Sitzung UND liefert alle verfügbaren Informationen in einem einzigen Aufruf:

smart_shopping_session({
  raw_query: "lightweight running shoes with good cushioning",
  category: "footwear/running",
  budget_max: 200,
  constraints: ["lightweight", "cushioned"]
})

Rückgabewerte:

Ihre Sitzungs-ID für die weitere Protokollierung
Top-Empfehlungen von anderen Agenten in dieser Kategorie
Welche Einschränkungen und Faktoren am wichtigsten waren
Wie ähnliche Sitzungen endeten (gekauft vs. abgebrochen)
Netzwerkweite Statistiken

23 MCP-Tools

Intelligente Kombi-Tools (empfohlen)

Tool	Was es tut
`smart_shopping_session`	Sitzung starten + Kategorie-Intelligenz abrufen + Ergebnisse ähnlicher Sitzungen – alles in einem Aufruf
`evaluate_and_compare`	Produktbewertung protokollieren + Produktintelligenz abrufen + Angebotsbewertung – alles in einem Aufruf

Käufer-Intelligenz – Intelligenter einkaufen

Tool	Was es Ihnen sagt
`get_product_intelligence`	Auswahlrate, Ablehnungsgründe, welche Konkurrenten es schlagen und warum
`get_category_recommendations`	Top-Empfehlungen, Entscheidungsfaktoren, allgemeine Anforderungen, durchschnittliche Budgets
`check_merchant_reliability`	Lagerbestandsgenauigkeit, Auswahlrate, Kaufergebnisse nach Händler
`get_similar_session_outcomes`	Was Agenten mit ähnlichen Einschränkungen letztendlich gewählt haben
`detect_deal`	Preisbewertung im Vergleich zu historischen Daten – von best_price_ever bis above_average
`get_warnings`	Lagerprobleme, hohe Ablehnungsraten, Abbruchsignale
`get_constraint_match`	Produkte, die genau Ihren Einschränkungen entsprechen – überspringen Sie die Suche

Verkäufer-Intelligenz – Verstehen Sie Ihren Markt

Tool	Was es Ihnen sagt
`get_competitive_landscape`	Kategorierang, Gewinnrate im direkten Vergleich, wer Sie schlägt und warum, Preispositionierung
`get_rejection_analysis`	Warum Agenten Ihr Produkt ablehnen, wöchentliche Trends, was sie stattdessen gewählt haben
`get_category_demand`	Wonach Agenten suchen, ungedeckte Bedürfnisse, Budgetverteilung, Marktlücken
`get_merchant_scorecard`	Vollständiger Händlerbericht – Lagerzuverlässigkeit, Preiswettbewerbsfähigkeit, Auswahlraten nach Kategorie

Entdeckung & Überwachung

Tool	Was es Ihnen sagt
`get_budget_products`	Beste Produkte innerhalb eines bestimmten Budgets – sortiert nach Agentenauswahl, mit Händlerverfügbarkeit
`get_trending_products`	Produkte im Auf- oder Abwärtstrend – vergleicht die Auswahlrate des aktuellen Zeitraums mit dem vorherigen
`create_price_alert`	Preisalarm setzen – wird ausgelöst, wenn Agenten das Produkt zu oder unter Ihrem Zielpreis finden
`check_price_alerts`	Überprüfen, welche Alarme durch kürzliche Agentenaktivitäten ausgelöst wurden

Schreib-Tools – Zurückgeben

Tool	Was es erfasst
`log_shopping_session`	Shopping-Absicht, Einschränkungen, Budget, Ausschlüsse
`log_product_evaluation`	Betrachtetes Produkt, Übereinstimmungs-Score, Disposition + Ablehnungsgrund
`log_comparison`	Verglichene Produkte, Dimensionen, Gewinner, entscheidender Faktor
`log_outcome`	Endergebnis – gekauft, empfohlen, abgebrochen oder zurückgestellt
`import_completed_session`	Massenimport einer abgeschlossenen Sitzung rückwirkend
`get_session_summary`	Vollständige Sitzungsdetails abrufen

Beispiel: Vollständiger Agent-Workflow

# 1. Start smart — one call gets you session ID + intelligence
smart_shopping_session(category: "electronics/headphones", constraints: ["noise-cancelling", "wireless"], budget_max: 400)

# 2. Evaluate products — get intel as you log
evaluate_and_compare(session_id: "...", product_id: "sony-wh1000xm5", price_at_time: 349, disposition: "selected")
evaluate_and_compare(session_id: "...", product_id: "bose-qc45", price_at_time: 279, disposition: "rejected", rejection_reason: "inferior ANC")

# 3. Compare and close
log_comparison(products_compared: ["sony-wh1000xm5", "bose-qc45"], winner: "sony-wh1000xm5", deciding_factor: "noise cancellation quality")
log_outcome(session_id: "...", outcome_type: "purchased", product_chosen_id: "sony-wh1000xm5")

Jeder Schritt speist das Netzwerk. Der nächste Agent, der nach Kopfhörern sucht, profitiert von Ihren Daten.

Beispiel: Verkäufer-Intelligenz-Workflow

# 1. How is my product performing vs competitors?
get_competitive_landscape(product_id: "sony-wh1000xm5")
# → Category rank #1, 68% head-to-head win rate, beats bose-qc45 on ANC quality

# 2. Why are agents rejecting my product?
get_rejection_analysis(product_id: "bose-qc45")
# → 45% rejected for "inferior ANC", agents chose sony-wh1000xm5 instead 3x more

# 3. What do agents want in my category?
get_category_demand(category: "electronics/headphones")
# → Top demands: noise-cancelling (89%), wireless (82%), unmet need: "spatial audio"

# 4. How does my store perform?
get_merchant_scorecard(merchant_id: "amazon")
# → 34% selection rate, 2% out-of-stock, cheapest option 41% of the time

Kategorien mit aktiver Intelligenz

Kategorie	Sitzungen
footwear/running	150+
electronics/headphones	140+
gaming/accessories	130+
electronics/tablets	130+
home/furniture/desks	120+
fitness/wearables	118+
electronics/phones	115+
home/smart-home	107+
kitchen/appliances	105+
electronics/laptops	98+

Beispiele für Agent-Frameworks

Sofort ausführbare Beispiele in /examples:

Framework	Datei	Beschreibung
LangChain	`langchain-shopping-agent.py`	ReAct-Agent mit LangGraph + MCP-Adapter
CrewAI	`crewai-shopping-crew.py`	Zwei-Agenten-Crew (Researcher + Shopper)
AutoGen	`autogen-shopping-agent.py`	AutoGen-Agent mit MCP-Tools
OpenAI Agents	`openai-agents-shopping.py`	OpenAI Agents SDK mit Streamable HTTP
Claude	`claude-system-prompt.md`	Optimierter System-Prompt für Claude Desktop/Code

Alle Beispiele verbinden sich mit dem gehosteten MCP-Endpunkt – keine Einrichtung außer pip install erforderlich.

REST-API

Händlerorientierte Analysen unter https://agent-signal-production.up.railway.app/api:

Endpunkt	Beschreibung
`GET /api/products/:id/insights`	Produktanalysen – Betrachtungsrate, Ablehnungsgründe
`GET /api/categories/:category/trends`	Kategorietrends – Top-Faktoren, Budgets, Attribute
`GET /api/competitive/lost-to?product_id=X`	Wettbewerbsverluste – wogegen X verliert und warum
`GET /api/sessions`	Kürzliche Sitzungen (paginiert)
`GET /api/sessions/:id`	Vollständige Sitzungsdetails
`POST /api/admin/aggregate`	Berechnung der Erkenntnisse auslösen
`GET /api/health`	Gesundheitsprüfung

Selbst-Hosting

git clone https://github.com/dan24ou-cpu/agent-signal.git
cd agent-signal
npm install
cp .env.example .env  # set DATABASE_URL to your PostgreSQL
npm run migrate
npm run seed           # optional: sample data
npm run dev            # starts API + MCP server on port 3100

Architektur

MCP-Server – Stdio-Transport (lokal) + Streamable HTTP (remote)
REST-API – Express auf demselben Port
Datenbank – PostgreSQL (Neon-kompatibel)
23 MCP-Tools – 17 Lese-Tools (Käufer + Verkäufer + Entdeckung) + 6 Schreib-Tools

Lizenz

MIT

agent-signal